社交网络中动态参数的在线学习
最优化与控制
2013-10-02 v1 机器学习
社会与信息网络
机器学习
摘要
本文研究了动态环境下的在线学习问题。我们考虑一个社交网络，其中每个个体观察关于世界底层状态的私有信号，并在每个时间步与其邻居通信。与许多现有方法不同，底层状态是动态的，并遵循几何随机游走演化。我们将该场景视为一个优化问题，其中智能体旨在以尽可能小的损失学习真实状态。基于全局损失函数的分解，我们引入了两种更新机制，每种机制都能生成对真实状态的估计。我们建立了底层状态变化率的紧界，在此条件下个体能够以有界方差跟踪该参数。随后，我们刻画了每个个体的估计值与真实值之间稳态均方偏差 (MSD) 的显式表达式。我们观察到，只有一种估计器能恢复最优 MSD，这突显了目标函数分解对学习质量的影响。最后，我们提供了所提方法遗憾度 (regret) 的上界，该遗憾度定义为有限时间内参数估计误差的平均值。
引用
@article{arxiv.1310.0432,
title = {Online Learning of Dynamic Parameters in Social Networks},
author = {Shahin Shahrampour and Alexander Rakhlin and Ali Jadbabaie},
journal= {arXiv preprint arXiv:1310.0432},
year = {2013}
}
备注
12 pages, To appear in Neural Information Processing Systems (NIPS) 2013