付费随机专家在线分类中支付与准确性的权衡

我们研究带有付费随机专家的在线分类问题。在此，每位专家在做出预测前必须被付费。我们支付给每位专家的金额通过某个未知的 Lipschitz“生产率”函数直接影响其预测的准确性。在每一轮中，学习器必须决定支付给每位专家多少，然后做出预测。他们产生的成本等于预测误差与所有专家的预付费用之和的加权总和。我们引入一种在线学习算法，其在 $T$ 轮后的总成本超出一个提前知晓所有专家生产率的预测器至多 $\mathcal{O}(K^2(\log T)\sqrt{T})$，其中 $K$ 为专家数量。为获得该结果，我们结合了 Lipschitz 赌博机与带替代损失的在线分类。这些工具使我们改进了在标准 Lipschitz 赌博机设定下会得到的 $T^{2/3}$ 阶界限。我们的算法在合成数据上进行了经验评估。