Supposons que nous avons un problème de régression que de nombreuses personnes souhaitent résoudre, mais que l'information est distribuée entre les agents --- différents agents voient différents sous-ensembles de caractéristiques. Et les agents sont intégrés dans un réseau (DAG). Lorsque l'un fait des prédictions, celles-ci sont observées par ses enfants.

C'était aussi une partie d'une exploration amusante que nous avons faite en même temps sur la façon d'incorporer des outils d'IA modernes dans le processus de la science théorique et expérimentale. Nous avons beaucoup appris à ce sujet aussi --- nous écrirons plus à un moment donné.

@LuJiuyao Le prédicteur linéaire globalement optimal n'a pas besoin d'être dans l'espace des prédicteurs linéaires localement optimaux (lorsque les caractéristiques ne sont pas indépendantes), car le poids relatif des caractéristiques diffère dans chaque cas.

@LuJiuyao La ligne rouge entre les graphiques montre ce qui se passe réellement lorsque vous exécutez cela sur des échantillons de la généralisation de cette instance à 10 variables. La chaîne est A1->A2->...->A10->A1->A2->...->A10->... etc., tournant en rond pour toujours. Vous obtenez une chute d'erreur après chaque passage, mais elle ne descend jamais à 0.