Revisiting Online Submodular Minimization: Gap-Dependent Regret Bounds, Best of Both Worlds and Adversarial Robustness
Revisiting Online Submodular Minimization: Gap-Dependent Regret Bounds, Best of Both Worlds and Adversarial Robustness
复制标题
重新审视在线子模最小化：间隙相关的遗憾界限、两全其美和对抗鲁棒性
DOI：
--
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Shinji Ito
中科院分区：
文献类型：
--
作者：
Shinji Ito
本文研究了具有次模损失函数的在线决策问题。对于这类问题，现有的研究只涉及最坏情况的分析。这项研究超越了最坏情况下的分析，以显示实例依赖的遗憾界限。更确切地说，对于每一个完整的信息和bandit反馈设置，我们提出了一个算法，实现了一个间隙依赖的O（log T）-遗憾界在随机环境中，是可比的最好的现有的al-tax m在对抗环境。所提出的算法在具有对抗性破坏的随机环境中也能很好地工作，这是随机环境和对抗性环境之间的中间设置
In this paper, we consider online decision problems with submodular loss functions. For such problems, existing studies have only dealt with worst-case analysis. This study goes beyond worst-case analysis to show instance-dependent regret bounds. More precisely, for each of the full-information and bandit-feedback settings, we pro-pose an algorithm that achieves a gap-dependent O (log T ) -regret bound in the stochastic environment and is comparable to the best existing al-gorithm in the adversarial environment. The proposed algorithms also work well in the stochastic environment with adversarial corruptions, which is an intermediate setting between the stochastic and adversarial environments
DOI：
--
发表时间：
2018
期刊：
31st Annual Conference on Learning Theory (COLT
影响因子：
--
作者：
Roughgarden, Tim;Wang, Joshua R.
通讯作者：
Wang, Joshua R.
DOI：
10.1137/1.9781611975994.51
发表时间：
2020
期刊：
Symposium on Discrete Algorithms
影响因子：
--
作者：
Axelrod, Brian;Liu, Yang P.;Sidford, Aaron
通讯作者：
Sidford, Aaron