一篇新研究论文介绍了维度自适应批量 Lipschitz 缩窄 (A-BLiN) 方法，该方法消除了对知道缩放维度 ($d_z$) 的依赖。Count-Adaptive BLiN 算法在 $d_z$ 未知的情况下，实现了 $\widetilde{\mathcal O}_d(T^{(d_z+1)/(d_z+2)})$ 的遗憾值，并且批次数为 $\mathcal O_d(\log\log T)$。这项进展在未指定缩放维度的情况下，保持了最优的批次复杂度。 AI
影响 这项研究可能通过消除对特定维度参数的依赖，从而实现更高效的机器学习优化算法。
排序理由 该集群包含一篇关于机器学习算法的学术论文。[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 →
