一篇新研究论文介绍了用于无约束在线学习的算法，这些算法提供了改进的遗憾界限。这些算法是无参数的，并基于梯度变化实现保证，而无需事先了解比较器范数或 Lipschitz 常数等参数。研究结果扩展到动态遗憾，并比先前结果有了显著改进，特别是在随机扩展对抗模型方面。 AI
影响 引入了新颖的算法，可以提高各种人工智能应用中在线学习系统的效率和性能。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文。[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:2604.11151v2 Announce Type: replace-cross Abstract: We develop parameter-free algorithms for unconstrained online learning with regret guarantees that scale with the gradient variation $V_T(u) = \sum_{t=2}^T \|\nabla f_t(u)-\nabla f_{t-1}(u)\|^2$. For $L$-smooth convex loss…