MARC

 008250123s2024        us                              c    eng  d
■001000017160404
■00520250211151012
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382303888
■035    ▼a(MiAaPQ)AAI30995604
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWang,  Zhi.
■24510▼aInteractive  Machine  Learning  With  Heterogeneous  Data
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a362  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  A.
■500    ▼aAdvisor:  Chaudhuri,  Kamalika.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aIn  interactive  machine  learning,  learners  utilize  data  collected  from  interacting  with  the  environment  or  with  humans  to  better  achieve  their  goals.  Real-world  applications  often  involve  heterogeneous  data  sources,  such  as  a  large  pool  of  human  users  with  diverse  interests  or  preferences,  or  non-stationary  environments  with  distribution  shifts.  In  this  dissertation,  we  investigate  interactive  machine  learning  in  the  presence  of  heterogeneous  data.  In  particular,  we  study  when  and  how  provably  efficient  learning  can  be  achieved  when  the  heterogeneous  data  exhibit  structure.In  the  first  part,  we  study  transfer  learning  in  sequential  decision-making.  We  consider  a  setting  where  learners  are  deployed  to  perform  tasks  in  similar  yet  nonidentical multi-armed  bandit  environments.  We  study  when  and  how  knowledge  acquired  from  one  environment  can  be  robustly  transferred  to  others  so  as  to  improve  the  collective  performance  of  the  learners.  We  present  two  provably  efficient  algorithms  that  properly  manage  data  collected  across  heterogeneous  environments:  one  uses  upper  confidence  bounds  and  the  other  is  based  on  Thompson  sampling.  We  then  generalize  the  setting  and  certain  results  to  multi-task  reinforcement  learning  in  tabular  Markov  decision  processes.In  the  second  part,  we  study  metric  learning  from  crowdsourced  preference  comparisons.  In  particular,  we  consider  the  ideal  point  model  in  preference  learning,  where  a  user  prefers  an  item  over  another  if  it  is  closer  to  their  latent  ideal  point.  While  users  may  have  individual  preferences  and  distinct  ideal  points,  our  goal  is  to  learn  a  common  Mahalanobis  distance,  which  provides  a  more  accurate  measure  of  "closeness"  that  aligns  with  human  values,  perception  and  preferences.  We  study  when  and  how  such  a  metric  can  be  learned  if  we  can  query  each  user  a  few  times,  asking  questions  in  the  form  of  "Do  you  prefer  item  A  or  B?".
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aInformation  science
■653    ▼aMachine  learning
■653    ▼aDecision-making
■653    ▼aHeterogeneous  data  sources
■653    ▼aEfficient  learning
■690    ▼a0984
■690    ▼a0800
■690    ▼a0723
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-10A.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160404▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서