多类在线学习的最优遗憾界限已确立

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-26 04:00

研究人员为处理任意标签空间的不可知多类在线学习确立了最优遗憾界限。这项工作证明了在 $T$ 轮中，对于具有 $d < \infty$ 的 Littlestone 维度的假设类，遗憾的上界为 $O(\min\{T,\sqrt{dT}\})$。该研究解决了 Hanneke 等人提出的一个问题，并扩展了 Alon 等人先前确立的最优二元遗憾界限。证明技术包括将单边专家覆盖增强为分数覆盖，并将其与最小极大值归约到一个有限专家博弈相结合。 AI

影响为在线学习算法确立了理论界限，可能影响未来的算法设计。

排序理由这是一篇发表在 arXiv 上的研究论文，详细介绍了机器学习方面的理论进展。[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: 50 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇发表在 arXiv 上的研究论文，详细介绍了机器学习方面的理论进展。[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 stat.ML TIER_1 English(EN) · Sajad Ashkezari, Shai Ben-David · 2026-10-26 04:00

具有任意标签空间的最佳多类在线遗憾

arXiv:2610.32339v1 Announce Type: cross Abstract: We determine the optimal regret in agnostic multiclass online learning with arbitrary, possibly infinite, label spaces. For every hypothesis class of multiclass Littlestone dimension $d<\infty$, we prove a regret upper bound of $O…

本文如何被排名

报道来源 [1]

具有任意标签空间的最佳多类在线遗憾

相关实体

相关话题