Lazy OCO: Online Convex Optimization on a Switching Budget

Uri Sherman, Tomer Koren

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים


We study a variant of online convex optimization where the player is permitted to switch decisions at most S times in expectation throughout T rounds. Similar problems have been addressed in prior work for the discrete decision set setting, and more recently in the continuous setting but only with an adaptive adversary. In this work, we aim to fill the gap and present computationally efficient algorithms in the more prevalent oblivious setting, establishing a regret bound of O(T/S) for general convex losses and O˜(T/S2) for strongly convex losses. In addition, for stochastic i.i.d. losses, we present a simple algorithm that performs logT switches with only a multiplicative logT factor overhead in its regret in both the general and strongly convex settings. Finally, we complement our algorithms with lower bounds that match our upper bounds in some of the cases we consider.
שפה מקוריתאנגלית
כותר פרסום המארחProceedings of Thirty Fourth Conference on Learning Theory
עורכיםMikhail Belkin, Samory Kpotufe
מספר עמודים17
סטטוס פרסוםפורסם - 2021

סדרות פרסומים

שםProceedings of Machine Learning Research
מוציא לאורPMLR

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Lazy OCO: Online Convex Optimization on a Switching Budget'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי