PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.11074v1cs.LG

예산 지출 조절과 학습의 최적 페이싱

Optimally Pacing Budget Spending and Learning

본 논문에서는 적대적 환경(adversarial setting)에서 임의의 예산 조절(budget-pacing) 전문가 집단에 대한 예산 제약 온라인 학습의 준최적(near-optimal) 리그릿 상한(regret bound)을 규명합니다. 구체적으로, 임의의 $F$개 전문가 집단과 후보 예산 페이싱 스케줄이 주어졌을 때, 누적 지출이 이 스케줄과 거리 $D$ 이내로 유지되는 모든 전문가에 대해 $O(D \sqrt{\log F}+ \sqrt{T\log F})$의 리그릿을 달성하는 완전 정보(full-information) 알고리즘을 제시하며, 이는 Braverman 등(2025)이 제시한 하한과 일치합니다. 나아가 학습자가 이용 가능한 현재 옵션의 보상과 비용을 관측할 수 있는 다양한 온라인 자원 할당 문제로 본 기법이 확장됨을 보이고, 분수 할당(fractional allocation)이 허용될 때 $O(D\sqrt{\log F})$ 리그릿 상한을 확립합니다. 이는 우리가 아는 한 이러한 과제에서 $o(\sqrt{T})$ 보장을 달성할 수 있는 최초의 알고리즘입니다.