提出预算约束在线学习的近优遗憾界算法
热点事件持续更新
提出预算约束在线学习的近优遗憾界算法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
报道摘要
研究者针对对抗场景下预算约束在线学习问题，提出一种全信息算法，在任意 F 个预算节奏专家类上取得 O(D√log F + √T log F) 的 regret 界，与 Braverman 等人（2025）的下界匹配。该技术还扩展到在线资源分配问题，在允许分数分配时实现 O(D√log F) 的 regret 界，是首个在此类任务上达到 o(√T) 保证的算法。
摘自 arXiv cs.LG
最新进展10月9日 12:00
预算约束在线学习新算法实现近最优 regret 界报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.LG预算约束在线学习新算法实现近最优 regret 界
研究者针对对抗场景下预算约束在线学习问题，提出一种全信息算法，在任意 F 个预算节奏专家类上取得 O(D√log F + √T log F) 的 regret 界，与 Braverman 等人（2025）的下界匹配。该技术还扩展到在线资源分配问题，在允许分数分配时实现 O(D√log F) 的 regret 界，是首个在此类任务上达到 o(√T) 保证的算法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。