研究人员开发了一种新的方法，用于在闭凸集上优化非单调DR-次模函数。该方法通过重新参数化、缩放和代理势的组合实现了 $1/e$-线性化。新技术将问题简化为在线线性优化，在各种反馈模型下产生了改进的静态遗憾界限，并实现了自适应和动态遗憾保证。 AI
影响 这项研究可能为机器学习中的复杂优化问题带来更高效的算法。
排序理由 详细介绍新优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2602.20578v2 Announce Type: replace-cross Abstract: We study online maximization of non-monotone Diminishing-Return(DR)-submodular functions over down-closed convex sets, a regime where existing projection-free online methods suffer from suboptimal regret and limited feedba…