arXiv 发布预算约束在线学习 regret 界研究
热点事件持续更新
arXiv 发布预算约束在线学习 regret 界研究
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
arXiv 的 cs.LG 分类发布了一项研究，为对抗性设定下的预算受限在线学习建立了近最优遗憾界。研究者针对任意包含 F 个专家的类别和给定预算节奏方案，提出全信息算法，实现 O(D√log F + √T log F) 遗憾，称与 Braverman 等人（2025）的下界匹配。 该技术还扩展到在线资源分配问题：在允许分数分配时达到 O(D√log F) 遗憾，研究者称这是此类任务中首个实现 o(√T) 保证的算法。
AI 根据报道生成 · 51 分钟前更新
最新进展10月9日 12:00
预算节奏与在线学习的近最优遗憾界报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv：cs.LG预算节奏与在线学习的近最优遗憾界
研究者为对抗性设定下的预算受限在线学习建立了近最优遗憾界，针对任意包含 F 个专家的类别和给定预算节奏方案，提出全信息算法实现 O(D√log F + √T log F) 遗憾，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，在允许分数分配时达到 O(D√log F) 遗憾，是已知首个在此类任务中实现 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。