带弃权的在线学习
机器学习
2019-11-15 v3
摘要
我们对允许算法弃权做出预测这一在线学习的关键问题进行了广泛研究。在对抗式设定下，我们展示了如何将现有的在线算法及其保证适配于该问题。在随机设定下，我们首先指出了一个偏差问题，该问题限制了诸如 UCB-N 等算法向本场景所需的时变反馈图进行直接扩展。接着，我们提出了一种新算法 UCB-GT，该算法利用历史数据并适用于时变反馈图。我们证明，相较于 UCB-N 的一种可能但受限的扩展，该算法具有更有利的遗憾保证。我们进一步报告了一系列实验结果，表明 UCB-GT 大幅优于 UCB-N 的该扩展以及更标准的基线算法。
引用
@article{arxiv.1703.03478,
title = {Online Learning with Abstention},
author = {Corinna Cortes and Giulia DeSalvo and Claudio Gentile and Mehryar Mohri and Scott Yang},
journal= {arXiv preprint arXiv:1703.03478},
year = {2019}
}