Buchumschlag

Bandit and Delayed Feedback in Online Structured Prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shibukawa, Yuki, Tsuchiya, Taira, Sakaue, Shinsaku, Yamanishi, Kenji
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Online Structured Prediction with Fenchel--Young Losses and Improved Surrogate Regret for Online Multiclass Classification with Logistic Loss
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2024)

Revisiting Online Learning Approach to Inverse Linear Optimization: A Fenchel$-$Young Loss Perspective and Gap-Dependent Regret Analysis
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2025)

Online Inverse Linear Optimization: Efficient Logarithmic-Regret Algorithm, Robustness to Suboptimality, and Lower Bound
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2025)

Data- and Variance-dependent Regret Bounds for Online Tabular MDPs
von: Li, Mingyi, et al.
Veröffentlicht: (2026)

Non-Stationary Online Structured Prediction with Surrogate Losses
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2025)

Simple Projection-Free Algorithm for Contextual Recommendation with Logarithmic Regret and Robustness
von: Sakaue, Shinsaku
Veröffentlicht: (2026)

No-Regret M${}^{\natural}$-Concave Function Maximization: Stochastic Bandit Algorithms and Hardness of Adversarial Full-Information Setting
von: Oki, Taihei, et al.
Veröffentlicht: (2024)

Finite and Corruption-Robust Regret Bounds in Online Inverse Linear Optimization under M-Convex Action Sets
von: Oki, Taihei, et al.
Veröffentlicht: (2026)

Any-stepsize Gradient Descent for Separable Data under Fenchel-Young Losses
von: Bao, Han, et al.
Veröffentlicht: (2025)

Generalization Bound and Learning Methods for Data-Driven Projections in Linear Programming
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2023)

From Average Sensitivity to Small-Loss Regret Bounds under Random-Order Model
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2026)

Adapting to Stochastic and Adversarial Losses in Episodic MDPs with Aggregate Bandit Feedback
von: Ito, Shinji, et al.
Veröffentlicht: (2025)

Combinatorial Allocation Bandits with Nonlinear Arm Utility
von: Shibukawa, Yuki, et al.
Veröffentlicht: (2026)

Clustering Change Sign Detection by Fusing Mixture Complexity
von: Urano, Kento, et al.
Veröffentlicht: (2024)

Online Nonsubmodular Optimization with Delayed Feedback in the Bandit Setting
von: Yang, Sifan, et al.
Veröffentlicht: (2025)

Fast Rates in Stochastic Online Convex Optimization by Exploiting the Curvature of Feasible Sets
von: Tsuchiya, Taira, et al.
Veröffentlicht: (2024)

A Simple and Adaptive Learning Rate for FTRL in Online Learning with Minimax Regret of $Θ(T^{2/3})$ and its Application to Best-of-Both-Worlds
von: Tsuchiya, Taira, et al.
Veröffentlicht: (2024)

Online Control of Linear Systems under Unbounded Noise
von: Ito, Kaito, et al.
Veröffentlicht: (2024)

Graph Community Augmentation with GMM-based Modeling in Latent Space
von: Fukushima, Shintaro, et al.
Veröffentlicht: (2024)

Lipschitz Bandits with Stochastic Delayed Feedback
von: Liu, Zhongxuan, et al.
Veröffentlicht: (2025)

Stochastic Online Conformal Prediction with Semi-Bandit Feedback
von: Ge, Haosen, et al.
Veröffentlicht: (2024)

Best-of-Both-Worlds Algorithms for Linear Contextual Bandits
von: Kuroki, Yuko, et al.
Veröffentlicht: (2023)

Tight Regret Upper and Lower Bounds for Optimistic Hedge in Two-Player Zero-Sum Games
von: Tsuchiya, Taira
Veröffentlicht: (2025)

Biased Dueling Bandits with Stochastic Delayed Feedback
von: Yi, Bongsoo, et al.
Veröffentlicht: (2024)

Neural Contextual Bandits Under Delayed Feedback Constraints
von: Moghimi, Mohammadali, et al.
Veröffentlicht: (2025)

Improved Regret for Bandit Convex Optimization with Delayed Feedback
von: Wan, Yuanyu, et al.
Veröffentlicht: (2024)

Linear and Neural Dueling Bandits with Delayed Feedback
von: Wang, Xiangyi, et al.
Veröffentlicht: (2026)

Instance-Dependent Regret Bounds for Learning Two-Player Zero-Sum Games with Bandit Feedback
von: Ito, Shinji, et al.
Veröffentlicht: (2025)

Improved Best-of-Both-Worlds Regret for Bandits with Delayed Feedback
von: Schlisselberg, Ofir, et al.
Veröffentlicht: (2025)

Adversarial Bandits with Multi-User Delayed Feedback: Theory and Application
von: Li, Yandi, et al.
Veröffentlicht: (2023)

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

Multiclass Online Learnability under Bandit Feedback
von: Raman, Ananth, et al.
Veröffentlicht: (2023)

A Best-of-both-worlds Algorithm for Bandits with Delayed Feedback with Robustness to Excessive Delays
von: Masoudian, Saeed, et al.
Veröffentlicht: (2023)

Stochastic Submodular Bandits with Delayed Composite Anonymous Bandit Feedback
von: Pedramfar, Mohammad, et al.
Veröffentlicht: (2023)

Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret
von: Ito, Shinji, et al.
Veröffentlicht: (2026)

Normalized Maximum Likelihood Code-Length on Riemannian Data Spaces
von: Fukuzawa, Kota, et al.
Veröffentlicht: (2025)

Foundation of Calculating Normalized Maximum Likelihood for Continuous Probability Models
von: Suzuki, Atsushi, et al.
Veröffentlicht: (2024)

Merit-based Fair Combinatorial Semi-Bandit with Unrestricted Feedback Delays
von: Chen, Ziqun, et al.
Veröffentlicht: (2024)

Efficient Online Set-valued Classification with Bandit Feedback
von: Wang, Zhou, et al.
Veröffentlicht: (2024)

Bandit-Feedback Online Multiclass Classification: Variants and Tradeoffs
von: Filmus, Yuval, et al.
Veröffentlicht: (2024)