Article de revue (2022)
 Document en libre accès chez l'éditeur officiel |
Document publié alors que les auteurs ou autrices n'étaient pas affiliés à Polytechnique Montréal
Un lien externe est disponible pour ce document
Abstract
This paper considers the problem of finding a tighter upper bound on the minimax regret of patterns, a class used to study large-alphabet distributions which avoids infinite asymptotic regret and redundancy. Our method for finding upper bounds for minimax regret uses cover numbers with Kullback-Leibler (KL) divergence as the distance. Compared to existing results by Acharya et al. (2013), we are able to improve the power of the exponent on the logarithmic term, giving a minimax regret bound which matches the best known minimax redundancy bound on patterns.
Mots clés
| Département: | Département de génie électrique |
|---|---|
| Organismes subventionnaires: | NSF |
| Numéro de subvention: | CCF-2131115 |
| URL de PolyPublie: | https://publications.polymtl.ca/80296/ |
| Nom de la conférence: | 35th Annual Conference on Learning Theory (COLT 2022) |
| Lieu de la conférence: | London, United Kingdom |
| Date(s) de la conférence: | 2022-07-02 - 2022-07-05 |
| Titre de la revue: | Proceedings of Machine Learning Research (vol. 178) |
| Maison d'édition: | ML ResearchPress |
| URL officielle: | https://proceedings.mlr.press/v178/tang22a.html |
| Date du dépôt: | 12 août 2026 15:43 |
| Dernière modification: | 12 août 2026 15:43 |
| Citer en APA 7: | Tang, J. (2022). Minimax regret on patterns using Kullback-Leibler divergence covering. Proceedings of Machine Learning Research, 178, 3095-3112. Présentée à 35th Annual Conference on Learning Theory (COLT 2022), London, United Kingdom. https://proceedings.mlr.press/v178/tang22a.html |
|---|---|
Statistiques
Aucune statistique n'est disponible.
Actions réservées au personnel
|
Afficher document |
