arXiv cs.LG· Xiaofeng Cao, Junfan Li, Langzhang Liang, Mingwei Xu, Xiao Zhang·· 3 小时前AI 评分10
在线稀疏线性回归（OSLR）遗憾值的新下界与上界
New Lower Bound and Upper Bounds on the Regret for Online Sparse Linear Regression
AI 导读
针对每次预测只能访问 d 个属性中 b 个、预测后可再访问 b0 个属性的在线稀疏线性回归（OSLR）问题，研究者首次给出其 minimax 遗憾值的下界，并在无正则性假设下设计了上界更优的算法。该工作刻画了 minimax 遗憾值随问题相关参数的缩放规律，揭示了 OSLR 的信息论复杂度，已被 IJTCS-FAW 2026 接收。
来源：arXiv cs.LG · arxiv.org