Jan, 2019

具有隐藏低秩结构的随机线性赌博机

PDF
TL;DR本文提出了 Projected Stochastic Linear Bandit（PSLB）算法，采用基于主成分分析（PCA）的投影方法，寻找高维特征空间中的低秩结构，以减少学习任务的复杂度。使用 PSLB 算法对预训练深度神经网络提取的高维特征进行图像分类任务，实验结果表明 PSLB 算法可以显著降低损失和加速模型收敛，相对于现有算法具有更紧密的拟合。
high-dimensional representationslow-rank structurespcastochastic linear banditsdimensionality reduction
发现论文，激发创造
  • 具有隐藏对称性的对称线性赌博算法

    在高维线性赌博机中，通过模型选择来学习隐藏的对称性结构，我们的算法能够达到低预测误差并降低后悔程度。

    May, 2024

  • 结构化随机线性 Bandits

    研究如何在处理具有结构属性的未知参数（例如稀疏、分组稀疏、低秩）的随机线性 Bandit 问题中构建置信椭圆，以达到更紧密的置信度范围和更尖锐的失误边界。

    Jun, 2016

  • 高维稀疏线性赌博机

    研究高维稀疏特征的随机线性臂模型中，在数据匮乏的情况下，特征向量遵守固定的探测分布，通过探索然后提交算法，得到了 $Ω(n^{2/3})$ 的无维度极小遗憾下界和 $Θ(n^{2/3})$ 的上界。

    Nov, 2020

  • 低秩赌博机的紧致二至无穷奇异子空间恢复

    我们研究具有低秩结构的情境强化学习，提出了高效的算法用于策略评估、最佳策略识别和遗憾最小化，这些算法近乎极小化的性能表现可达到理论最优水平。

    Feb, 2024

  • 低秩广义线性赌博机问题

    提出了一种基于在线到置信区间映射和基于低秩矩阵覆盖的指数加权平均预测器相结合的算法，解决了低秩线性赌博机问题，具体算法延伸自探索子空间再精炼算法，可以使得拥有低秩矩阵 Theta 的线性赌博机达到更好的期望累积损失表现并得到了实验的验证。

    Jun, 2020

  • 共享仿射子空间中的元学习在赌博机中的应用

    通过在线主成分分析学习低维仿射子空间，从而降低遇到的赌博机的预期遗憾，我们研究了通过充分利用其集中性解决多个情境随机赌博任务的元学习问题。我们提出并理论地分析了两种解决方法：一种是基于在不确定性面前的乐观原则，另一种是通过汤普森抽样。我们的框架是通用的，并包括之前提出的方法作为特殊情况。此外，实证结果表明，我们的方法显著减少了一些赌博任务的遗憾。

    Mar, 2024

  • 高效广义低秩张量内容自助机

    本文提出了一种新颖的多维数据和奖励函数非线性性能充分发挥的强大 Bandits 算法，引入了广义低秩张量上下文 Bandits 模型进行决策服务，并证明其优于向量化和矩阵化情况的后悔界。通过一系列仿真和真实数据实验验证了该算法的有效性，充分利用了低秩张量结构来提升学习性能。

    Nov, 2023

  • 线性潜在匪徒中利用离线数据

    通过建立 de Finetti 定理和提出 SOLD 方法，该研究论文展示了潜在赌博机框架的广泛适用性，以及在线学习和离线数据集问题的解决方案，并在合成数据和电影推荐数据上进行了实验证明。

    May, 2024

  • 鲁棒子空间学习：鲁棒主成分分析、鲁棒子空间跟踪和鲁棒子空间恢复

    本研究概述了鲁棒子空间学习和跟踪领域。通过罕见因素加上低秩矩阵分解（S+LR），在存在异常值的情况下解决了罕见子空间学习或 PCA 问题，并发现针对长数据序列的跟踪鲁棒子空间的更好的模型是假设数据位于低维子空间中，而该模型的异常值被作为稀疏病态安装建模。

    Nov, 2017

  • 高维线性多臂赌博机与背包问题

    研究如何在高维度环境下应用稀疏估计和在线学习算法改进上下文强化学习中的多臂老虎机与背包问题，通过联合在线估计和原始 - 对偶框架，控制背包容量，从而取得了特征维度对数级依赖的次线性遗憾，同时在数据贫瘠和数据丰富情况下实现了最优遗憾结果。

    Nov, 2023