Buchumschlag

Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Blanchard, Moïse, Shetty, Abhishek, Rakhlin, Alexander
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Performance of Empirical Risk Minimization with Smoothed Data
von: Block, Adam, et al.
Veröffentlicht: (2024)

Agnostic Smoothed Online Learning without Knowledge of the Base Measure
von: Blanchard, Moïse
Veröffentlicht: (2024)

Distributionally-Constrained Adversaries in Online Learning
von: Blanchard, Moïse, et al.
Veröffentlicht: (2025)

Oracle-Efficient Smoothed Online Learning for Piecewise Continuous Decision Making
von: Block, Adam, et al.
Veröffentlicht: (2023)

Distribution-Free Sequential Prediction with Abstentions
von: Yu, Jialin, et al.
Veröffentlicht: (2026)

A Unified Characterization of Private Learnability via Graph Theory
von: Alon, Noga, et al.
Veröffentlicht: (2023)

Private List Learnability vs. Online List Learnability
von: Hanneke, Steve, et al.
Veröffentlicht: (2025)

Collaborative Min-Max Regret in Grouped Multi-Armed Bandits
von: Blanchard, Moïse, et al.
Veröffentlicht: (2025)

Not All Learnable Distribution Classes are Privately Learnable
von: Bun, Mark, et al.
Veröffentlicht: (2024)

Small Loss Bounds for Online Learning Separated Function Classes: A Gaussian Process Perspective
von: Block, Adam, et al.
Veröffentlicht: (2025)

Gradient Descent is Pareto-Optimal in the Oracle Complexity and Memory Tradeoff for Feasibility Problems
von: Blanchard, Moise
Veröffentlicht: (2024)

Assouad, Fano, and Le Cam with Interaction: A Unifying Lower Bound Framework and Characterization for Bandit Learnability
von: Chen, Fan, et al.
Veröffentlicht: (2024)

Partition Function Estimation under Bounded f-Divergence
von: Block, Adam, et al.
Veröffentlicht: (2026)

Online Estimation via Offline Estimation: An Information-Theoretic Framework
von: Foster, Dylan J., et al.
Veröffentlicht: (2024)

The Power of Resets in Online Reinforcement Learning
von: Mhammedi, Zakaria, et al.
Veröffentlicht: (2024)

A Combinatorial Characterization of Supervised Online Learnability
von: Raman, Vinod, et al.
Veröffentlicht: (2023)

Beyond Worst-Case Online Classification: VC-Based Regret Bounds for Relaxed Benchmarks
von: Montasser, Omar, et al.
Veröffentlicht: (2025)

Learnability in Online Kernel Selection with Memory Constraint via Data-dependent Regret Analysis
von: Li, Junfan, et al.
Veröffentlicht: (2024)

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

Online Distribution Learning with Local Private Constraints
von: Sima, Jin, et al.
Veröffentlicht: (2024)

Is Multi-Distribution Learning as Easy as PAC Learning: Sharp Rates with Bounded Label Noise
von: Hanashiro, Rafael, et al.
Veröffentlicht: (2026)

Refined Risk Bounds for Unbounded Losses via Transductive Priors
von: Qian, Jian, et al.
Veröffentlicht: (2024)

On the Minimax Regret of Sequential Probability Assignment via Square-Root Entropy
von: Jia, Zeyu, et al.
Veröffentlicht: (2025)

Oracle-Efficient Differentially Private Learning with Public Data
von: Block, Adam, et al.
Veröffentlicht: (2024)

Smooth Nash Equilibria: Algorithms and Complexity
von: Daskalakis, Constantinos, et al.
Veröffentlicht: (2023)

Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Outcome-Based Online Reinforcement Learning: Algorithms and Fundamental Limits
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Gradient-Variation Online Learning under Generalized Smoothness
von: Xie, Yan-Feng, et al.
Veröffentlicht: (2024)

Optimal Anytime Algorithms for Online Convex Optimization with Adversarial Constraints
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2025)

End-to-End Efficient RL for Linear Bellman Complete MDPs with Deterministic Transitions
von: Mhammedi, Zakaria, et al.
Veröffentlicht: (2026)

A Characterization of Multioutput Learnability
von: Raman, Vinod, et al.
Veröffentlicht: (2023)

Beyond $\tilde{O}(\sqrt{T})$ Constraint Violation for Online Convex Optimization with Adversarial Constraints
von: Sinha, Abhishek, et al.
Veröffentlicht: (2025)

Optimal Algorithms for Online Convex Optimization with Adversarial Constraints
von: Sinha, Abhishek, et al.
Veröffentlicht: (2023)

Tight Bounds for Online Convex Optimization with Adversarial Constraints
von: Sinha, Abhishek, et al.
Veröffentlicht: (2024)

Universal Dynamic Regret and Constraint Violation Bounds for Constrained Online Convex Optimization
von: Supantha, Subhamon, et al.
Veröffentlicht: (2025)

Decision Making in Changing Environments: Robustness, Query-Based Learning, and Differential Privacy
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Consistency and Inconsistency in $K$-Means Clustering
von: Blanchard, Moïse, et al.
Veröffentlicht: (2025)

Robust Learnability of Sample-Compressible Distributions under Noisy or Adversarial Perturbations
von: Boushehrian, Arefe, et al.
Veröffentlicht: (2025)

Low-dimensional Functions are Efficiently Learnable under Randomly Biased Distributions
von: Cornacchia, Elisabetta, et al.
Veröffentlicht: (2025)

On the Variance, Admissibility, and Stability of Empirical Risk Minimization
von: Kur, Gil, et al.
Veröffentlicht: (2023)