ترجمه فارسی مقاله یک جایگزین ساده تر برای به حداقل رساندن ریسک متضاد تنظیم شده متغیر

چکیده

Variance regularized counterfactual risk minimization (VRCRM) has been proposed as an alternative off-policy learning (OPL) method. VRCRM method uses a lower-bound on the $f$-divergence between the logging policy and the target policy as regularization during learning and was shown to improve performance over existing OPL alternatives on multi-label classification tasks. In this work, we revisit the original experimental setting of VRCRM and propose to minimize the $f$-divergence directly, instead of optimizing for the lower bound using a $f$-GAN approach. Surprisingly, we were unable to reproduce the results reported in the original setting. In response, we propose a novel simpler alternative to f-divergence optimization by minimizing a direct approximation of f-divergence directly, instead of a $f$-GAN based lower bound. Experiments showed that minimizing the divergence using $f$-GANs did not work as expected, whereas our proposed novel simpler alternative works better empirically.

چکیده به فارسی (ترجمه ماشینی)

به حداقل رساندن ریسک ضد خلاف تنظیم واریانس (VRCRM) به عنوان یک روش جایگزین یادگیری خارج از سیاست (OPL) ارائه شده است.روش VRCRM از محدودیت پایین تر از $ F $ بین سیاست ورود به سیستم و سیاست هدف به عنوان منظم سازی در هنگام یادگیری استفاده می کند و نشان داده شده است که عملکرد را نسبت به گزینه های OPL موجود در کارهای طبقه بندی چند برچسب بهبود می بخشد.در این کار ، ما دوباره آزمایش آزمایشی اصلی VRCRM را دوباره بررسی می کنیم و پیشنهاد می کنیم به جای اینکه بهینه سازی برای مرز پایین با استفاده از یک رویکرد $ $ $-به طور مستقیم به حداقل برسد.با کمال تعجب ، ما نتوانستیم نتایج گزارش شده در تنظیم اصلی را بازتولید کنیم.در پاسخ ، ما یک جایگزین ساده تر برای بهینه سازی F-Divergence با به حداقل رساندن تقریب مستقیم از- واگرایی به طور مستقیم ، به جای یک محدوده پایین تر $ f-gan پیشنهاد می کنیم.آزمایشات نشان داد که به حداقل رساندن واگرایی با استفاده از $ F $ -Gans همانطور که انتظار می رفت کار نمی کند ، در حالی که رمان پیشنهادی ما جایگزین ساده تر از نظر تجربی بهتر عمل می کند.