Luca ตั้งแต่หนึ่งปีผ่านไปคุณอาจค้นคว้าคำตอบของคุณเอง ฉันตอบคำถามของคุณที่นี่เพียงเพื่อบันทึก ฉันทบทวนอัลกอริทึมการผ่อนคลายของลากรองจ์สำหรับปัญหาที่คุณพูดถึงและร่างการเชื่อมต่อกับการเรียนรู้ (โดยเฉพาะอย่างยิ่งตามคำแนะนำจากผู้เชี่ยวชาญ) ฉันไม่ได้แสดงความคิดเห็นที่นี่ในอัลกอริทึม SDP
โปรดทราบว่าอัลกอริทึมเฉพาะที่คุณพูดถึงไม่ทำงานในเวลาเกือบเป็นเชิงเส้น (มีขั้นตอนวิธีการเชิงเส้นเกือบไทม์สำหรับเป็น
อย่างชัดเจนบรรจุที่กำหนดหรือครอบคลุมปัญหา. ดู
ตี Simplex สำหรับบรรจุ Fractional และครอบคลุมโปรแกรมเชิงเส้น .) ขั้นตอนวิธีการที่คุณมีในใจมักจะมีสายพันธุ์วิ่งในจำนวนเกือบเชิงเส้นของที่ซ้ำแต่ในแต่ละ การวนซ้ำโดยทั่วไปต้องใช้เวลาเชิงเส้นอย่างน้อยเช่นกัน ฉันพูดถึงบางส่วนของอัลกอริทึมเหล่านี้ด้านล่าง
ฟังก์ชั่นที่มีประโยชน์บางอย่าง
ก่อนที่เราจะเริ่มนี่คือฟังก์ชั่นบางอย่างที่เราจะใช้ในภาพร่างหลักฐาน (ถ้าคุณมีความสนใจในขั้นตอนวิธีการ แต่ไม่ได้รายละเอียดหลักฐานคุณสามารถข้ามไปข้างหน้า.) สำหรับเวกเตอร์กำหนดจะเป็น(y_i) ฟังก์ชั่นนี้มีขอบเขตบนสำหรับ :
analogously กำหนดจะเป็นเป็นขอบเขตล่างบนy_iyLmax(y)ln∑iexp(yi)maxiyimaxiyi ≤ Lmax(y) ≤ maxiyi+lnm.
Lmin(y)−Lmax(−y)miniyi
เพื่อความสะดวกในสิ่งต่อไปนี้เราใช้เพื่อแสดงการไล่ระดับสีของ Lmin เราใช้เพื่อแสดงการไล่ระดับสีของ Lmaxg(y)∇Lmin(y)G(y)∇Lmax(y)
อย่างชัดเจนคือ
ในขณะที่คือ'})gi(y)exp(−yi)/∑i′exp(−yi′)Gi(y)exp(yi)/∑i′exp(yi′)
Lmin และ Lmax ราบรื่นในแง่ต่อไปนี้: สำหรับเวกเตอร์ใด ๆและ ,
และ
d∈[0,ε]ny∈RnLmin(y+d) ≥ Lmin(y) + (1−O(ε))d⋅g(y)
Lmax(y+d) ≤ Lmax(y) + (1+O(ε))d⋅G(y).
โปรดทราบว่าการไล่ระดับสีทั้งสองมี 1-norm เท่ากับ 1:
1 (ตลอดเราใช้เพื่อแสดงถึง 1-norm)|G(y)|=|g(y)|=1|z|
ยังทราบว่าสำหรับเมทริกซ์ลาดของฟังก์ชั่นด้วยความเคารพ
เป็น (โดยกฎลูกโซ่) (gเพิ่มเติมอย่างชัดเจนอนุพันธ์บางส่วนของฟังก์ชั่นที่เกี่ยวกับ
มีx) ในทำนองเดียวกันอนุพันธ์บางส่วนของ Lmax
ด้วยความเคารพมีx)Ax↦Lmin(Ax)x(g(Ax))TAxj∑iAijexp(−Aix)/∑iexp(−Aix)(Ax)xj∑iAijexp(Aix)/∑iexp(Aix)
Fractional Set Cover
แก้ไขอินสแตนซ์ Set-Cover Let แสดงองค์ประกอบ / ชุดเมทริกซ์อุบัติการณ์ ดังนั้นถ้าอื่น 0 และเป็นขอบเขตที่เศษส่วนปกครอบคลุมองค์ประกอบอีAอีs = 1 อี∈ s E x x อีAes=1e∈sAexxe
LP คือ\} รับอัลกอริทึมคือmin{|x|:Ax≥1;x≥0}ε∈(0,1)
- เริ่มต้นทั้งหมด0 ให้N xs=0N=log(n)/ε
ทำซ้ำจนกระทั่ง : mineAex≥N
2.1 เลือกเพิ่มอนุพันธ์บางส่วนของ Lmin WRT x_s
(อย่างชัดเจนเลือกการเพิ่มประสิทธิภาพ .) s(Ax)xs s ∑ e ∈ s exp ( - ∑ s ′ ∋ e x s ′ )
s∑e∈sexp(−∑s′∋exs′)
2.2 เพิ่มโดย\ xsε
ย้อนกลับxx/mineAex
อัลกอริทึมส่งกลับค่าประมาณวิธีแก้ปัญหาโดยประมาณในการทำซ้ำโดยที่คือจำนวนองค์ประกอบและเป็นวิธีที่ดีที่สุด ฝาครอบชุดเศษส่วน (เล็กน้อย ) (อัลกอริทึมที่คล้ายกันปรากฏในกระดาษจันทราที่กล่าวถึง Vertex Cover นั้นเป็นกรณีพิเศษ)(1+O(ε))O(|x∗|log(n)/ε2)nx∗|x∗|≤n
( หมายเหตุ:โปรดทราบว่าขอบเขตการวนซ้ำไม่ได้ขึ้นอยู่กับจำนวนชุดเพียงจำนวนองค์ประกอบดังนั้นอัลกอริทึมสามารถใช้กับระบบชุดที่กำหนดโดยปริยายตราบใดที่ให้น้ำหนักกับองค์ประกอบ หาชุดน้ำหนักรวมสูงสุด (หรือใกล้เคียงกับค่าสูงสุด) oracle ชนิดนี้เหมือนกับ oracle แยกที่ต้องใช้อัลกอริทึมทรงรีกับปัญหาสองประการสำหรับปัญหาการบรรจุเช่น set packing คุณต้องมี oracle ที่, กำหนดน้ำหนักให้กับองค์ประกอบส่งคืนชุดการลดน้ำหนักรวมให้น้อยที่สุดสำหรับปัญหาเช่นการไหลของสินค้าหลายชุดคุณอาจจำเป็นต้องค้นหาเส้นทางที่จะลดผลรวมของน้ำหนักขอบบางส่วนที่กำหนด)
นี่คือภาพร่างหลักฐานการรับประกันประสิทธิภาพ ในแต่ละซ้ำที่ WRT อนุพันธ์บางส่วนได้รับการแต่งตั้ง
อย่างน้อยโดยที่เป็นชุดฝาครอบเศษส่วนที่ดีที่สุดs1/|x∗|x∗
(เพื่อดูว่าทำไมจำได้ว่าการไล่ระดับสีของ Lminเทียบกับคือหากเราต้องเลือกเซตโดยการสุ่มจากการแจกแจง , ค่าคาดหวังของอนุพันธ์บางส่วนที่เกี่ยวกับ
จึงเป็นตั้งแต่ , นี่คือ เป็นอย่างน้อยตั้งแต่นี่คืออย่างน้อยดังนั้นจึงต้องมีบางส่วนให้อนุพันธ์บางส่วนเป็นอย่างน้อยเนื่องจากอัลกอริทึมเลือก(Ax)x(g(Ax))TAs′x∗/|x∗|xs′(g(Ax))TAx∗/|x∗|Ax∗≥1|g(Ax)|/|x∗||g(Ax)|=11/|x∗|s1/|x∗|xsในการทำซ้ำแต่ละครั้งเพื่อเพิ่ม
อนุพันธ์บางส่วนให้ได้มากที่สุดจะได้รับอนุพันธ์บางส่วนอย่างน้อย.) 1 / | x ∗ |1/|x∗|
จากนั้นขั้นตอนขนาดถูกเลือกมากพอขนาดเล็กเพียงเพื่อให้ไม่มีการประสานงานของเพิ่มขึ้นมากกว่า\ดังนั้นเนื่องจากความราบรื่นของ Lmin การเพิ่ม
ถึงเพิ่มอย่างน้อย
.εx ε x s x s + ε Lmin ( x ) ( 1 - O ( ε ) ) ε / | x ∗ |Axεxsxs+εLmin(Ax)(1−O(ε))ε/|x∗|
ด้วยวิธีนี้อัลกอริทึมจะรักษาที่ไม่แปรเปลี่ยน
(โปรดทราบว่า Lminเท่ากับ .)Lmin(Ax)≥(1−O(ε))|x|/|x∗|−lnn.
(0¯¯¯)lnn
ณ การสิ้นสุดในค่าคงที่คำว่าคือคูณกับด้านซ้ายมือดังนั้นการคำนวณหนึ่งจะได้รับ. หลังจากการทำให้เป็นมาตรฐานในบรรทัดสุดท้ายของอัลกอริธึมแล้วนี่หมายถึง.lnnO(ε)mineAex≥(1−O(ε))|x|/|x∗||x|≤(1+O(ε))|x∗|
FWIW ความไม่เท่าเทียมกันที่เกี่ยวข้องในการพิสูจน์ค่าคงที่เป็นหลักเช่นเดียวกับที่เกี่ยวข้องกับการพิสูจน์ Chernoff ที่ถูกผูกไว้ (ในความเป็นจริงขั้นตอนวิธีนี้สามารถจะได้มาโดยการใช้วิธีการของความน่าจะเป็นเงื่อนไขที่จะเป็นโครงการที่สุ่ม-ปัดเศษที่ซ้ำ ๆ ชุดตัวอย่างจากการกระจาย
(ด้วยการเปลี่ยน) เพิ่มขึ้นสำหรับแต่ละตัวอย่างชุดการทำให้กระจัดกระจายของสิ่งนี้ให้อัลกอริธึม: ค่าคงที่ที่แฝงอยู่เพียงว่าตัวประมาณในแง่ร้ายอยู่ต่ำกว่า 1 การลงโทษเชิงทวีคูณในตัวประมาณในแง่ร้ายนั้นมาจากการใช้เชอร์อฟในการวิเคราะห์แผนการปัดเศษ ในกระดาษจันทราที่กล่าวถึง )x∗/|x∗|xss
ฝาครอบชุดเศษส่วนถ่วงน้ำหนัก (และการครอบเศษส่วนทั่วไป)
เพื่อจัดการปัญหาต่าง ๆ เช่น Weighted Set Cover ได้อย่างมีประสิทธิภาพเราปรับเปลี่ยนอัลกอริทึมเพื่อใช้การเพิ่มขึ้นที่ไม่สม่ำเสมอ (แนวคิดเนื่องจากGarg และ Konemann )
แผ่นเสียงเป็นที่ช่วงกว่าองค์ประกอบช่วงกว่าชุดและตัวแปรทั้งหมดจะไม่ เชิงลบ เพื่อนำเสนออัลกอริทึมขั้นแรกให้เขียนปัญหาใหม่เป็นปัญหาที่ครอบคลุมทั่วไป ให้สำหรับและอย่างอื่น จากนั้น (ด้วยการเปลี่ยนแปลงของตัวแปรปรับขนาดโดย ) LP คือซึ่งเราสามารถดูเป็นแผ่นปิดทั่วไปได้ นี่คืออัลกอริทึม:min{c⋅x:(∀e)∑s∋exs≥1}esอีs = 1 / C sอี∈ s อีs = 0 x s คsนาที{ | x | : A x ≥ 1 ; x ≥ 0 }Aes=1/cse∈sAes=0xscsmin{|x|:Ax≥1;x≥0}
เริ่มต้นทั้งหมด0 ให้Nxs=0N=log(n)/ε
ทำซ้ำจนกว่าข้อ จำกัด ที่ครอบคลุมทั้งหมดจะถูกลบ:
2.1 เลือกเพิ่มอนุพันธ์บางส่วนของ Lmin WRT x_s
(อย่างชัดเจนเลือกการเพิ่มประสิทธิภาพ .)s(Ax)xs s ∑ e ∈ s exp ( - ∑ s ′ ∋ e x s ′ ) / c s
s∑e∈sexp(−∑s′∋exs′)/cs
2.2 เพิ่มโดยที่ได้รับการแต่งตั้งดังกล่าวว่าที่สุดสำหรับทุกเหลือครอบคลุม จำกัดเพิ่มขึ้นในมีที่มากที่สุด\xsδδeอี ⋅ x εAe⋅xε
2.3 ลบทั้งหมด จำกัด ครอบคลุมดังกล่าวว่าNeAe⋅x≥N
กลับxx/mineAe⋅x
อัลกอริทึมส่งกลับค่า - การแก้ปัญหาที่เหมาะสมในการทำซ้ำโดยที่คือจำนวนข้อ จำกัด ที่ครอบคลุม (การวนซ้ำแต่ละครั้งจะเพิ่มที่เหลือโดย ; สิ่งนี้สามารถเกิดขึ้นได้เพียงกับข้อ จำกัด ก่อนที่จะถูกลบ) การพิสูจน์ความถูกต้องนั้นผ่านค่าคงที่เดียวกับ Set Cover(1+O(ε))O(nlog(n)/ε2)nAexεN/ε
ฝาครอบน้ำหนัก Vertex เป็นกรณีพิเศษ
การจับคู่ Bipartite เศษส่วนสูงสุด
รับกราฟ LP ธรรมชาติสำหรับปัญหาคือ\}G=(U,W,E)max{|x|:∀v.∑e∋vxe≤1}
ในการเป็นตัวแทนเมทริกซ์นี่คือการบรรจุ LP
มีค่าสัมประสิทธิ์ 0-1 (ถ้า ) ปัญหาดังกล่าวไม่ต้องการการเพิ่มขึ้นที่ไม่สม่ำเสมอดังนั้นอัลกอริทึมแบบง่ายคล้ายกับอัลกอริธึม Set Cover ที่ไม่ถ่วงน้ำหนักmax{|x|:Ax≤1;x≥0}Ave=1v∈e
- เริ่มต้นทั้งหมด0 ให้Nxe=0N=log(n)/ε
ในขณะที่ :Ax<N
2.1 เลือกลดอนุพันธ์บางส่วนของ Lmax WRT x_e
(อย่างชัดเจนเลือกเพื่อย่อ )e(Ax)xe e ∑ v ∈ e exp ( ∑ e ′ ∋ v x e ′ )
e∑v∈eexp(∑e′∋vxe′)
2.2 เพิ่มโดย\ xeε
ย้อนกลับxx/maxvAvx
อัลกอริทึมส่งกลับค่า - การแก้ปัญหาที่เหมาะสมในการทำซ้ำ (นี่เป็นเพราะการทำซ้ำแต่ละครั้งเพิ่มโดยและในที่สุดก่อนการทำให้เป็นมาตรฐาน, )(1−O(ε))O(nlog(n)/ε2)|x|ε|x|=O(Nn)
เพื่อความสนุกนี่คืออัลกอริธึมทางเลือกที่น่าสนใจสำหรับการจับคู่ Bipartite ที่สมบูรณ์แบบ จำได้ว่าE) ให้.G=(U,W,E)n=|U|=|W|
- เริ่มต้นทั้งหมด0 ให้N xe=0N=4ln(n)/ε
ทำซ้ำครั้ง:nN
2.1 เลือกสม่ำเสมอโดยการสุ่มจากU
2.2 เลือกดังกล่าวว่าลดx_e
2.3 เพิ่มโดย\ uUW ( U , W ) ∈ E Σ อี∋ W x จx U W ε
w(u,w)∈E∑e∋wxe
xuwε
ย้อนกลับ Nx/N
ถ้ามีการจับคู่ที่สมบูรณ์แบบอัลกอริทึมจะคืนค่าซึ่งและมีความน่าจะเป็นสูงสำหรับทุกจุดยอด ,และสำหรับทุกจุด ,varepsilon) หากคุณสนใจในรายละเอียดของหลักฐานโปรดถาม ...Gx|x|=nu∈U1−O(ε)≤∑e∋uxe≤1+O(ε)w∈W∑e∋wxe≤1+O(ε)
บรรจุผสมและครอบคลุม
คุณอาจถามเกี่ยวกับการจับคู่สองฝ่ายโดยหวังว่าจะเป็นตัวอย่างของการบรรจุแบบผสมและครอบคลุมปัญหานั่นคือหนึ่งในรูปแบบ
นี่คืออัลกอริทึมหนึ่งสำหรับปัญหาดังกล่าว ครั้งแรกปกติเพื่อให้และ1∃x? Px≤p;Cx≥c;x≥0.
p=1¯¯¯c=1¯¯¯
ให้เป็นจำนวนข้อ จำกัด (แถวในบวกแถวใน )mPC
- เริ่มต้นทั้งหมด0 ให้Nxj=0N=2ln(m)/ε
ในขณะที่ :Px<N
2.1 เลือกเพื่อให้อนุพันธ์บางส่วนของ Lmaxเกี่ยวกับนั้นเป็นอนุพันธ์ของบางส่วนของ Lminเกี่ยวกับมากที่สุด (อย่างชัดเจนให้เลือกเช่นj(Px)xj(Cx)xjj∑iPijexp(Pix)∑iexp(Pix)≤∑iCijexp(−Cix)∑iexp(−Cix).)
2.2 เพิ่มโดยที่ได้รับการแต่งตั้งที่สุดเช่นว่าไม่มีข้อ จำกัดหรือข้อ จำกัด ที่เหลือเพิ่มขึ้นมากกว่า\xjδδPixCixε
2.3 ลบข้อ จำกัด ครอบคลุมทุกเช่นว่าNiCix≥N
กลับxx/maxiPix
สมมติว่าปัญหาได้รับเป็นไปได้อัลกอริทึมกลับดังกล่าวว่า
และvarepsilon) จำนวนการวนซ้ำคือเนื่องจากการวนซ้ำแต่ละครั้งจะเพิ่มข้อ จำกัด บางอย่างโดยและสิ่งนี้สามารถเกิดขึ้นได้สำหรับข้อ จำกัด แต่ละครั้งที่ครั้งมากที่สุดxPx≤1Cx≥1−O(ε)O(mln(m)/ε2)εN
การพิสูจน์ความถูกต้องคือผ่านค่าคงที่
ค่าคงที่หมายถึง
ทางด้านซ้ายมือจะมีเพื่อพิสูจน์การรับประกันประสิทธิภาพLmax(Px)≤2ln(m)+(1+O(ε))Lmin(Cx).
maxPx≤2ln(m)+(1+O(ε))minCx.
Ω(log(m)/ε)
ในขั้นตอนที่ 2.1 ต้องมีที่ต้องการตราบใดที่ปัญหาดั้งเดิมเป็นไปได้ (นี่เป็นเพราะสำหรับเป็นไปได้และใด ๆหากเราเลือกสุ่มจากการแจกแจงค่าคาดหวังของอนุพันธ์บางส่วนของ Lmaxด้วยความเคารพ
จะมากที่สุด (ดูภาพร่างหลักฐานก่อนหน้าสำหรับ Set Cover) ในทำนองเดียวกันค่าคาดหวังของอนุพันธ์บางส่วนของ Lminเทียบกับ
จะต้องมีอย่างน้อยดังนั้นจึงมีj x∗xj′x∗/|x∗|(Px)xj′1/|x∗|(Cx)xj′1/|x∗|jเช่นนั้นอนุพันธ์บางส่วนของ Lmaxเกี่ยวกับ
เป็นอนุพันธ์ของ Lminใหญ่(Px)xj′(Cx)
จากนั้นคงที่จะยังคงอยู่ในแต่ละซ้ำเพราะโดยทางเลือกของและและเรียบเนียนของ Lmin และ Lmax เพิ่มเพื่อ
เพิ่ม Lmax
โดยที่มากที่สุด
ครั้ง เพิ่มขึ้นใน Lmin (Cx)xjδxjxj+δ(Px)1+O(ε)(Cx)
การเรียนรู้ (ติดตามผู้เชี่ยวชาญ / การส่งเสริม)
อ้างอิงหนึ่งสำหรับการทำความเข้าใจการเชื่อมต่อนี้เป็น
เกมการเล่นการปรับเปลี่ยนการใช้น้ำหนักคูณโดย Freund และ Schapire นี่คือการสรุปอย่างย่อเพื่อให้แนวคิดทางเทคนิค
พิจารณาเกมที่ซ้ำกันดังต่อไปนี้ ในแต่ละรอบ : t
- คุณเลือกการแจกแจงความน่าจะเป็นบน ( ผู้เชี่ยวชาญที่เรียกว่า ) pt[n]n
- รู้ศัตรูแล้วเลือกผลตอบแทนเวกเตอร์{n} ptat∈[0,1]n
- คุณได้รับผลตอบแทนสำหรับรอบ pt⋅at
เกมหยุดหลังจากผ่านไปหลายรอบ เป้าหมายของคุณคือการลดความเสียใจของคุณในการเปรียบเทียบกับผู้เชี่ยวชาญเดียวใด ๆ (เช่นกลยุทธ์บริสุทธิ์) ฉันนั่นคือเป้าหมายของคุณคือการลด Ti(maxi∑tati)−∑tpt⋅at
แก้ไขใด ๆ 0 ให้เวกเตอร์แสดงว่า , ที่อยู่,
ครั้งรวมเวกเตอร์ของเวกเตอร์ผลตอบแทนถึงเวลาทีจำได้ว่าคือการไล่ระดับสีของ Lmax (y)ε>0ytε∑s≤tasεtG(y)(y)
นี่คือกลยุทธ์พื้นฐานเราจะวิเคราะห์:
ในรอบเลือกจะเป็น{t-1})tptG(yt−1)
โดยการตรวจสอบนี้จะช่วยให้คุณ payoffในรอบทีat⋅G(yt−1)t
เนื่องจากคุณสมบัติความนุ่มนวลของ ,
นั่นคือในแต่ละรอบไม่สามารถเพิ่มได้มากกว่าคูณผลตอบแทนของคุณ เนื่องจากสิ่งนี้จะรักษาค่าคงที่ที่
เป็นค่าตอบแทนรวมของคุณมากที่สุด , บวกบนมืออื่น ๆ , ความเสียใจของคุณในการเปรียบเทียบกับผู้เชี่ยวชาญที่ดีที่สุด.
เป็นคือFLmax(yt)≤Lmax(yt−1)+(1+O(ε))εat⋅G(yt−1).
Lmax(yt)ε(1+O(ε))Lmax(0¯¯¯)=lnnLmax(yt)ε(1+O(ε)ln(n)imaxi∑tatiε−1maxiytiซึ่งเป็นในทางกลับกันที่มากที่สุดT)ε−1Lmax(yt)
ดังนั้นความเสียใจของคุณคือมากที่สุด , บวกกับผลตอบแทนรวมของคุณε−1ln(n)O(ε)
หมายเหตุ:ฉันคิดว่าในขณะที่ Freund และ Schapire ชี้ให้เห็นว่าอัลกอริทึม "การส่งเสริม" (ในทฤษฎีการเรียนรู้) ก็มีส่วนในการวิเคราะห์นี้เช่นกัน ดูกระดาษสำหรับรายละเอียดเพิ่มเติม
ลดผลตอบแทนรวมให้น้อยที่สุด
คุณสามารถได้รับกลยุทธ์ที่คล้ายกันสำหรับการตั้งค่าที่เป้าหมายคือการย่อให้เล็กสุดแทนที่จะได้รับผลรวมสูงสุด ความเสียใจของคุณซึ่งคุณยังคงต้องการที่จะลดความเป็นa ในกรณีที่ว่ากลยุทธ์ที่สอดคล้องกันคือการเลือกที่จะไล่ระดับสีของT) ด้วยกลยุทธ์นี้คุณต้องเสียใจอย่างมาก
บวกกับผลตอบแทนรวมของคุณ∑tpt⋅at−miniatiptLmin(yt)ε−1lnnO(ε)
การเชื่อมต่อกับอัลกอริทึมการผ่อนคลายลากรองจ์
หากต้องการดูการเชื่อมต่อกับอัลกอริทึมการผ่อนคลายลากรองจ์ให้แก้ไขอินสแตนซ์ของชุดคลุม พิจารณาเกมประเภทหลัง (โดยมีเป้าหมายเพื่อลดการจ่ายผลตอบแทนให้น้อยที่สุด) ซึ่งผู้เชี่ยวชาญนั้นสอดคล้องกับองค์ประกอบของระบบที่คุณตั้งไว้ ในแต่ละรอบให้เลือกการแจกแจงความน่าจะเป็น
เพื่อไล่ระดับสีของ Lminดังที่กล่าวมาแล้วและให้ฝ่ายตรงข้ามเลือกเวกเตอร์ผลตอบแทนเป็นฟังก์ชันของดังนี้:
เลือกชุดการเพิ่มประสิทธิภาพแล้วให้ถ้าและมิฉะนั้นept(yt)atptst∑e∈spteate=1e∈state=0
ด้วยเงื่อนไขการหยุดที่ถูกต้อง (อธิบายไว้ด้านล่าง) กระบวนการนี้จะให้อัลกอริทึม Set-Cover ตรงตามที่กล่าวไว้ในตอนเริ่มต้น
รับประกันประสิทธิภาพของอัลกอริทึมดังต่อไปนี้จากความเสียใจที่ถูกผูกไว้ดังต่อไปนี้ ให้เป็นจำนวนครั้งที่คู่ต่อสู้เลือกเซ็ตระหว่างการเล่น ให้เป็นฝาครอบชุดเศษส่วนที่ดีที่สุด ให้เป็นจำนวนรอบที่เล่น ความเสียใจที่ถูกหมายถึง
Xssx∗T=|Xs|∑tat⋅pt≤ε−1ln(m)+mine∑tate.
การใช้ความหมายของที่ TH ผลตอบแทน (คนระยะ TH ในผลรวมด้านซ้าย) เท่ากับP ฝ่ายตรงข้ามเลือกเพื่อลดการจ่ายเงินนี้ให้น้อยที่สุด หากฝ่ายตรงข้ามได้เลือกสุ่มจากการแจกแจงความคาดหวังของผลตอบแทนจะเป็น
(ข้างต้นเราใช้สำหรับทั้งหมดและ ) เนื่องจากการจ่ายเงินแต่ละครั้งเป็นอย่างน้อยattt∑e∈stpteststx∗/|x∗|∑sx∗s|x∗|∑e∈spte = 1|x∗|∑epte∑s∋ex∗s ≥ 1|x∗|∑epte = 1|x∗|.
∑s∋ex∗s≥1e|pt|=11/|x∗|ความเสียใจที่แสดงนัย
โดยนิยามของเรามี (แต่ละรอบเลือกหนึ่งชุด) และให้
เราทำให้กระบวนการหยุดทำงานเมื่อดังนั้น (จัดเรียงคำศัพท์ใหม่)
นั่นคือ normalizingให้ขนาดชุดเศษส่วนที่ครอบคลุมมากที่สุดเวลาที่เหมาะสมT|x∗|≤ε−1ln(m)+mine∑tate.
X|X|=T∑tate=∑e[e∈st]=∑s∋eXs|X||x∗|≤ε−1ln(m)+mine∑s∋eXs.
mine∑s∋eXs=Ω(ε−2lnm)|X|mine∑s∋eXs ≤ (1+O(ε)|x∗|.
X(1+O(ε))
ข้อสังเกต:ในแง่หนึ่งการตีความทฤษฎีการเรียนรู้นี้ทำให้การตีความแบบอัลกอริทึมเป็นเรื่องทั่วไป อย่างไรก็ตามเทคนิคอัลกอริทึมบางอย่างที่จำเป็นสำหรับประสิทธิภาพ (เช่นการเพิ่มขึ้นที่ไม่สม่ำเสมอและการลดความพึงพอใจที่ครอบคลุมข้อ จำกัด ) ดูเหมือนจะไม่นำไปสู่ทฤษฎีการเรียนรู้ตามธรรมชาติ อัลกอริธึมสำหรับ
การบรรจุแบบผสมและครอบคลุม LP (เช่นนี้ ) ดูเหมือนจะไม่มีสัญญาณอะนาล็อกตามธรรมชาติในการตั้งค่าการเรียนรู้ทฤษฎี