基于受损专家建议的预测

Idan Amir; Idan Attias; Tomer Koren; Roi Livni; Yishay Mansour

基于受损专家建议的预测

机器学习 2021-07-05 v2 机器学习

作者: Idan Amir , Idan Attias , Tomer Koren , Roi Livni , Yishay Mansour

摘要

我们重新审视带有专家建议的预测这一基本问题，其设定为环境良性且以随机方式生成损失，但学习者观察到的反馈受到中等程度的对抗性损坏。我们证明，具有递减步长的经典乘性权重算法的一个变体在该设定下实现了常数后悔值，并且在广泛的环境范围内表现最优，无论注入损坏的幅度如何。我们的结果揭示了通常可比的 Follow the Regularized Leader（FTRL）与 Online Mirror Descent（OMD）框架之间令人惊讶的差异：我们表明，对于受损随机机制下的专家问题，OMD 的后悔表现实际上严格劣于 FTRL。

关键词

基于专家建议的预测对抗性损坏乘性权重 FTRL OMD 后悔值

引用

@article{arxiv.2002.10286,
  title  = {Prediction with Corrupted Expert Advice},
  author = {Idan Amir and Idan Attias and Tomer Koren and Roi Livni and Yishay Mansour},
  journal= {arXiv preprint arXiv:2002.10286},
  year   = {2021}
}

备注

NeurIPS 2020 Camera Ready

基于受损专家建议的预测

摘要

关键词

引用

备注

相关论文