面向长期约束的在线全预测
机器学习
2025-09-16 v1 计算机科学与博弈论
摘要
我们提出并研究了在线全预测问题。每一回合，预测者需为底层（可适应、对抗性选择的）状态生成预测，这些预测广播给下游代理。下游代理必须依据预测选择动作。每个下游代理都有一个将动作和状态映射为效用的效用函数，以及将动作和状态映射为向量型约束函数的约束函数。效用函数和约束函数可在下游代理之间严格不同。其目标是在保证自身不后悔的同时，确保跨时间累积不违反约束。在本文中，我们展示如何设计单一预测集合，使得每个下游代理均可通过对预测的简单函数来保证上述目标，从而保证每个代理的 后悔和 累积约束违规。我们还展示如何将保证扩展至任意交叉上下文定义的子序列，保证每个代理在每个子序列上同时获得后悔和约束违规界限，而这些界限针对每个子序列都针对性地设计了一组基准动作。
引用
@article{arxiv.2509.11357,
title = {Online Omniprediction with Long-Term Constraints},
author = {Yahav Bechavod and Jiuyao Lu and Aaron Roth},
journal= {arXiv preprint arXiv:2509.11357},
year = {2025}
}