English(EN) Lower Bounds for Linear-Oracle Online Learning

新研究确立了在线学习遗憾率的下界

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

Weibel 等人发表在 arXiv 上的一篇新论文，讨论了凸集在线学习中的遗憾率问题。该研究证明了一个猜想，即固定系数方法无法超越 $T^{3/4}$ 的遗憾率，并将此下界扩展到预言机模型中的确定性学习器。论文构建了特定的实例来证明这些下界，其中一个构造实现的遗憾至少为 $2^{-1/4}LDb^{-1/4}T^{3/4}$，而另一个在不同条件下实现的遗憾至少为 $3LDT^{3/4}/4$。 AI

影响确立了在线学习算法的理论极限，可能指导未来的算法开发。

排序理由该集群包含一篇发表在 arXiv 上的学术论文，详细介绍了机器学习领域的理论研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇发表在 arXiv 上的学术论文，详细介绍了机器学习领域的理论研究。[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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Mohit Sinha · 2026-10-01 04:00

线性预言机在线学习的下界

arXiv:2609.38375v1 Announce Type: new Abstract: Can a constant number of linear minimizations per round improve on the $T^{3/4}$ regret rate of online Frank-Wolfe on general convex sets? Weibel et al. conjectured that fixed-coefficient methods cannot. We prove their conjecture an…

本文如何被排名

报道来源 [1]

线性预言机在线学习的下界

相关实体

相关话题