Streaming kernel regression with provably adaptive mean, variance, and regularization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We consider the problem of streaming kernel regression, when the observations\narrive sequentially and the goal is to recover the underlying mean function,\nassumed to belong to an RKHS. The variance of the noise is not assumed to be\nknown. In this context, we tackle the problem of tuning the regularization\nparameter adaptively at each time step, while maintaining tight confidence\nbounds estimates on the value of the mean function at each point. To this end,\nwe first generalize existing results for finite-dimensional linear regression\nwith fixed regularization and known variance to the kernel setup with a\nregularization parameter allowed to be a measurable function of past\nobservations. Then, using appropriate self-normalized inequalities we build\nupper and lower bound estimates for the variance, leading to Bersntein-like\nconcentration bounds. The later is used in order to define the adaptive\nregularization. The bounds resulting from our technique are valid uniformly\nover all observation points and all time steps, and are compared against the\nliterature with numerical experiments. Finally, the potential of these tools is\nillustrated by an application to kernelized bandits, where we revisit the\nKernel UCB and Kernel Thompson Sampling procedures, and show the benefits of\nthe novel adaptive kernel tuning strategy.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle