新的数据结构支持高效在线比例采样

研究人员开发了一种新颖的数据结构，旨在高维领域中实现高效的在线比例采样。该结构解决了管理复杂、动态演变的权重函数和分区所带来的挑战，这些函数和分区可能呈指数级增长。所提出的解决方案在数据结构深度上提供了可证明的界限，在 $\sigma$-光滑对抗模型下达到 $O(\sqrt{\sigma T})$，在随机顺序对抗模型下达到 $O(\log T)$。这些进展使得能够对具有分段结构奖励的在线学习实现高效的无悔算法，并在完全信息和对手反馈下提供亚线性悔恨保证。 AI

影响 使复杂、动态环境中的在线学习和参数调整算法更加高效。

排序理由 该条目是一篇提交至 arXiv 的学术论文，详细介绍了一种新的数据结构和在线比例采样算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• Amirmahdi Mirfakhar
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• cs.AI
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• machine learning
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →