Authors · raw publication identity
Shinji Ito
2022–2026 LIVE
データの修正を申請Googleログイン後に申請できます。内容を確認してから対応します。
対象会議の検証済み掲載データを、全分野・選択したEditionでまとめています。過去の論文は出版・論文種別・著者との対応を確認できたものから追加しており、全発表論文の網羅を保証するものではありません。著者ページだけへの追加分は大学ランキングの件数に含みません。著者ページは、公開時の所属大学IDと論文上の著者名の完全一致を基に作成しています。本人の業績一覧などで同一人物の論文と個別に確認できた場合は、所属が異なる論文も追加します。氏名だけの自動名寄せは行いません。表示する大学はこのページの識別用で、掲載した全論文の出版時所属や現在所属を示すものではありません。研究者の総合順位を表すものでもありません。
著者ページの大学: 東京大学 · Top conference papers: 19
分野別内訳
分野別の本数はcross-listにより重なる場合があります。合計本数は同一論文を1本に数えます。
論文一覧（新しい年順）
- A Tight Lower Bound for Non-stochastic Multi-armed Bandits with Expert Advice
- Adaptive Learning Rates with Surrogate Probability for Follow-the-Perturbed-Leader
- Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret
- Submodular Function Minimization with Dueling Oracle
- A Perturbation Approach to Unconstrained Linear Bandits
- Last-Iterate Convergence of Regularized Gradient Methods for Stochastic Monotone Variational Inequalities
- Corrupted Learning Dynamics in Games
- Data-dependent Bounds with $T$-Optimal Best-of-Both-Worlds Guarantees in Multi-Armed Bandits using Stability-Penalty Matching
- Instance-Dependent Regret Bounds for Learning Two-Player Zero-Sum Games with Bandit Feedback
- Adapting to Stochastic and Adversarial Losses in Episodic MDPs with Aggregate Bandit Feedback
- Optimal Dynamic Regret by Transformers for Non-Stationary Reinforcement Learning
- Optimal Regret of Bandits under Differential Privacy
- Revisiting Follow-the-Perturbed-Leader with Unbounded Perturbations in Bandit Problems
- Adaptive Learning Rate for Follow-the-Regularized-Leader: Competitive Analysis and Best-of-Both-Worlds
- Follow-the-Perturbed-Leader with Fréchet-type Tail Distributions: Optimality in Adversarial Bandits and Best-of-Both-Worlds
- Exploration by Optimization with Hybrid Regularizers: Logarithmic Regret with Adversarial Robustness in Partial Monitoring
- A Simple and Adaptive Learning Rate for FTRL in Online Learning with Minimax Regret of $\Theta(T^{2/3})$ and its Application to Best-of-Both-Worlds
- Fast Rates in Stochastic Online Convex Optimization by Exploiting the Curvature of Feasible Sets
- On the Minimax Regret for Contextual Linear Bandits and Multi-Armed Bandits with Expert Advice