Conceptos Básicos
データ分布がイテレートシーケンスに沿って進化する意思決定依存型問題の確率近似アルゴリズムを分析し、漸近的正規性と最適性を示す。
Resumen
現代設定でのデータサイエンスにおける意思決定依存型問題の重要性が強調される。
多人数拡張を含むパフォーマティブ予測に焦点を当てたアルゴリズムの漸近的最適性が示される。
バリエーショナル不等式を使用して意思決定依存型問題をモデル化し、様々な学習問題を解くための枠組みを提供。
ストキャスティック・フォワードバックワードアルゴリズムが平均SFBで均衡点を見つける際に漸近的最適性を示す。
アルゴリズムの収束と平均値の漸近正規性が証明される。
1 Introduction
確率最適化は限られたデータサンプルから学習規則(例:分類器)を見つけ、未知データで正確な予測を可能にすることが目的。
2 Data Extraction:
条件付き二乗モーメント境界
3 Related Work:
意思決定依存型不確実性付きストキャスティック最適化問題への関連文献