English(EN) Constrained Online Learning with Noisy Constraint Values

新的LEDGER算法解决了在线优化中的噪声约束问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一种名为LEDGER的新算法，用于约束在线凸优化，专门解决约束值和梯度易受对抗性噪声影响的场景。该算法旨在平衡预期遗憾和预期预算违规，与先前的方法相比提供了改进的性能界限。LEDGER在各种参数设置下均取得了有竞争力的结果，无需Slater条件，并且还为可预测的可行比较器路径提供了动态遗憾保证。 AI

影响引入了一种用于优化具有噪声数据系统的创新算法，有可能提高各种AI应用的效率。

排序理由该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种针对特定机器学习问题的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种针对特定机器学习问题的新算法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Vaneet Aggarwal · 2026-09-10 04:00

具有噪声约束值的约束在线学习

arXiv:2609.06921v1 Announce Type: cross Abstract: We study constrained online convex optimization with adversarial constraints when constraint values and gradients are observed through unbiased noise. Gaussian value noise of standard deviation $\sigma$ yields a worst-case lower b…

本文如何被排名

报道来源 [1]

具有噪声约束值的约束在线学习

相关实体

相关话题