全信息与部分信息下的在线非可加路径学习
机器学习
2019-03-20 v4 机器学习
摘要
我们研究了具有非可加收益的在线路径学习问题，这是出现在包括集成结构化预测在内的多个应用中的核心问题。我们针对全信息、半老虎机和全老虎机三种设定，提出了具有非常理想遗憾保证的、基于非可加计次收益的路径学习新在线算法。我们算法的一个关键组件是中间上下文相关自动机的定义和计算，它使我们能够使用为可加收益设计的现有算法。我们进一步将我们的方法应用于集成结构化预测这一重要应用中。最后，除了基于计次的收益，我们还为具有任意（非可加）收益的全老虎机设定提供了 EXP3 算法的高效实现。
引用
@article{arxiv.1804.06518,
title = {Online Non-Additive Path Learning under Full and Partial Information},
author = {Corinna Cortes and Vitaly Kuznetsov and Mehryar Mohri and Holakou Rahmanian and Manfred K. Warmuth},
journal= {arXiv preprint arXiv:1804.06518},
year = {2019}
}