ترجمه فارسی مقاله یادگیری: یک زیان اینوکس برای بهینه‌سازی آنلاین قوی بی‌توجه به داده‌های پرت

چکیده

We study a robust online convex optimization framework, where an adversary can introduce outliers by corrupting loss functions in an arbitrary number of rounds k, unknown to the learner. Our focus is on a novel setting allowing unbounded domains and large gradients for the losses without relying on a Lipschitz assumption. We introduce the Log Exponential Adjusted Robust and iNvex (LEARN) loss, a non-convex (invex) robust loss function to mitigate the effects of outliers and develop a robust variant of the online gradient descent algorithm by leveraging the LEARN loss. We establish tight regret guarantees (up to constants), in a dynamic setting, with respect to the uncorrupted rounds and conduct experiments to validate our theory. Furthermore, we present a unified analysis framework for developing online optimization algorithms for non-convex (invex) losses, utilizing it to provide regret bounds with respect to the LEARN loss, which may be of independent interest.

چکیده به فارسی (ترجمه ماشینی)

ما یک چارچوب بهینه سازی محدب آنلاین قوی را مطالعه می کنیم ، که در آن یک طرف مقابل می تواند با فاسد کردن توابع از دست دادن در تعداد دلخواه دور K ، ناشناخته برای یادگیرنده ، مسافت ها را معرفی کند.تمرکز ما بر روی یک تنظیم جدید است که به دامنه های بی حد و حصر و شیب های بزرگ برای ضرر و زیان اجازه می دهد بدون اینکه به یک فرض Lipschitz اعتماد کنیم.ما از دست دادن قوی و invex (Learn) (Learn) تنظیم شده ، یک عملکرد از دست دادن قوی غیر Convex (invex) را برای کاهش اثرات خارج از کشور معرفی می کنیم و با استفاده از ضرر یادگیری ، یک نوع قوی از الگوریتم نزول شیب آنلاین را توسعه می دهیم.ما با توجه به دورهای فساد نشده ، ضمانت های پشیمانی محکم (حداکثر ثابت ها) را در یک محیط پویا ایجاد می کنیم و آزمایش هایی را برای تأیید نظریه خود انجام می دهیم.علاوه بر این ، ما یک چارچوب تجزیه و تحلیل یکپارچه برای توسعه الگوریتم های بهینه سازی آنلاین برای ضررهای غیر Convex (INVEX) ارائه می دهیم ، با استفاده از آن برای ارائه مرزهای پشیمانی با توجه به ضرر یادگیری ، که ممکن است مورد علاقه مستقل باشد.