累積オーバサンプリングによるオンライン学習:予算化影響最大化への応用【JST・京大機械翻訳】

Wang Shatian; Yang Shuoguang; Xu Zhen; Truong Van-Anh

プレプリント

J-GLOBAL ID：202202206233367623 整理番号：22P0139107

累積オーバサンプリングによるオンライン学習:予算化影響最大化への応用【JST・京大機械翻訳】

Online Learning with Cumulative Oversampling: Application to Budgeted Influence Maximization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年04月24日プレプリントサーバーでの情報更新日： 2020年09月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

オンライン学習のための累積オーバーサンプリング(CO)法を提案した。著者らの重要なアイデアは,各ラウンド(Thompsonサンプリングに類似)で一度更新された信念空間からパラメータ推定をサンプリングし,現在のラウンドまでの累積サンプルを利用して,標準UCB法で構築されたものと比べて,よりタイトな上部信頼限界として真のパラメータの周りに漸近的に集中する楽観的パラメータ推定を構築する。COを,エッジ重みの線形一般化を伴う影響最大化(IM)半帯域の新しい予算化変異体に適用し,そのオフライン問題はNP困難である。COとオラクルをオフライン問題のために設計して,著者らのオンライン学習アルゴリズムは,同時に,予算割当,パラメータ学習,および報酬最大化に取り組む。IM半帯域に対して,著者らのCOベースアルゴリズムは,理論におけるUCBベースアルゴリズムに匹敵するスケールレグレットを達成し,数値実験におけるThompsonサンプリングとのパーツで実行することを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る