Buchumschlag

Of Dice and Games: A Theory of Generalized Boosting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bressan, Marco, Brukhim, Nataly, Cesa-Bianchi, Nicolò, Esposito, Emmanuel, Mansour, Yishay, Moran, Shay, Thiessen, Maximilian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Conditional Averages
von: Bressan, Marco, et al.
Veröffentlicht: (2026)

A Theory of Interpretable Approximations
von: Bressan, Marco, et al.
Veröffentlicht: (2024)

Lookahead identification in adversarial bandits: accuracy and memory bounds
von: Brukhim, Nataly, et al.
Veröffentlicht: (2026)

Efficient Algorithms for Learning Monophonic Halfspaces in Graphs
von: Bressan, Marco, et al.
Veröffentlicht: (2024)

Efficient Algorithms for Learning and Compressing Monophonic Halfspaces in Graphs
von: Bressan, Marco, et al.
Veröffentlicht: (2025)

A Theoretical Framework for Statistical Evaluability of Generative Models
von: Aiyer, Shashaank, et al.
Veröffentlicht: (2026)

Improved Regret Bounds for Bandits with Expert Advice
von: Cesa-Bianchi, Nicolò, et al.
Veröffentlicht: (2024)

Probably Approximately Precision and Recall Learning
von: Cohen, Lee, et al.
Veröffentlicht: (2024)

Online Set Learning from Precision and Recall Feedback
von: Cohen, Lee, et al.
Veröffentlicht: (2026)

Learning-Augmented Algorithms with Explicit Predictors
von: Elias, Marek, et al.
Veröffentlicht: (2024)

Learnability Gaps of Strategic Classification
von: Cohen, Lee, et al.
Veröffentlicht: (2024)

Adaptive maximization of social welfare
von: Cesa-Bianchi, Nicolo, et al.
Veröffentlicht: (2023)

Learning on the Edge: Online Learning with Stochastic Feedback Graphs
von: Esposito, Emmanuel, et al.
Veröffentlicht: (2022)

How to Boost Any Loss Function
von: Nock, Richard, et al.
Veröffentlicht: (2024)

The Real Price of Bandit Information in Multiclass Classification
von: Erez, Liad, et al.
Veröffentlicht: (2024)

Fast Rates for Bandit PAC Multiclass Classification
von: Erez, Liad, et al.
Veröffentlicht: (2024)

Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale
von: Aiyer, Shashaank, et al.
Veröffentlicht: (2026)

Learning from Equivalence Queries, Revisited
von: Braverman, Mark, et al.
Veröffentlicht: (2026)

Near-Optimal Regret for Distributed Adversarial Bandits: A Black-Box Approach
von: Qiu, Hao, et al.
Veröffentlicht: (2026)

Distributed Online Optimization with Stochastic Agent Availability
von: Achddou, Juliette, et al.
Veröffentlicht: (2024)

Sparsity-Agnostic Linear Bandits with Adaptive Adversaries
von: Jin, Tianyuan, et al.
Veröffentlicht: (2024)

Online Linear Regression with Paid Stochastic Features
von: Merlis, Nadav, et al.
Veröffentlicht: (2025)

Multitask Online Learning: Listen to the Neighborhood Buzz
von: Achddou, Juliette, et al.
Veröffentlicht: (2023)

On the Hardness of Bandit Learning
von: Brukhim, Nataly, et al.
Veröffentlicht: (2025)

Sample Complexity of Agnostic Multiclass Classification: Natarajan Dimension Strikes Back
von: Cohen, Alon, et al.
Veröffentlicht: (2025)

Instance-Dependent Regret Bounds for Nonstochastic Linear Partial Monitoring
von: Di Gennaro, Federico, et al.
Veröffentlicht: (2025)

A Perturbation Approach to Unconstrained Linear Bandits
von: Jacobsen, Andrew, et al.
Veröffentlicht: (2026)

Non-stochastic Bandits With Evolving Observations
von: Bar-On, Yogev, et al.
Veröffentlicht: (2024)

Near-optimal Regret Using Policy Optimization in Online MDPs with Aggregate Bandit Feedback
von: Lancewicki, Tal, et al.
Veröffentlicht: (2025)

Optimal Regret for Policy Optimization in Contextual Bandits
von: Levy, Orin, et al.
Veröffentlicht: (2026)

Rising Rested MAB with Linear Drift
von: Amichay, Omer, et al.
Veröffentlicht: (2025)

The Sample Complexity of Multiclass and Sparse Contextual Bandits
von: Erez, Liad, et al.
Veröffentlicht: (2026)

Parameter-Free Dynamic Regret for Unconstrained Linear Bandits
von: Rumi, Alberto, et al.
Veröffentlicht: (2026)

Beyond Bandit Feedback in Online Multiclass Classification
von: van der Hoeven, Dirk, et al.
Veröffentlicht: (2021)

Gradient-Variation Regret Bounds for Unconstrained Online Learning
von: Zhao, Yuheng, et al.
Veröffentlicht: (2026)

Cooperative Online Learning with Feedback Graphs
von: Cesa-Bianchi, Nicolò, et al.
Veröffentlicht: (2021)

Dynamic Regret Reduces to Kernelized Static Regret
von: Jacobsen, Andrew, et al.
Veröffentlicht: (2025)

A Theory of Universal Agnostic Learning
von: Hanneke, Steve, et al.
Veröffentlicht: (2026)

Information Capacity Regret Bounds for Bandits with Mediator Feedback
von: Eldowa, Khaled, et al.
Veröffentlicht: (2024)

A Characterization of Semi-Supervised Adversarially-Robust PAC Learnability
von: Attias, Idan, et al.
Veröffentlicht: (2022)