精选理由
这篇论文把梯度均衡、Blackwell可逼近性和遗憾最小化这几个在线学习的关键框架串起来了，证明它们本质等价，对理解在线优化底层逻辑很有帮助。
该论文证明了梯度均衡（GEQ）与Blackwell可逼近性在算法上是等价的：任何Blackwell可逼近问题可通过调用GEQ黑盒求解，且误差率无渐进损失；反之亦然。结合已知的Blackwell可逼近性与遗憾最小化、校准之间的等价关系，GEQ也被证明与这些框架等价。论文还给出了高效归约，可将乐观性和强自适应性等精细保证从遗憾最小化迁移到GEQ。此外，作者识别出GEQ的充要条件，并建立了无约束与有约束决策集下不同GEQ概念之间的归约。
AI 翻译 · 中文
该论文证明了梯度均衡（GEQ）与Blackwell可逼近性在算法上是等价的：任何Blackwell可逼近问题可通过调用GEQ黑盒求解，且误差率无渐进损失；反之亦然。结合已知的Blackwell可逼近性与遗憾最小化、校准之间的等价关系，GEQ也被证明与这些框架等价。论文还给出了高效归约，可将乐观性和强自适应性等精细保证从遗憾最小化迁移到GEQ。此外，作者识别出GEQ的充要条件，并建立了无约束与有约束决策集下不同GEQ概念之间的归约。
Gradient equilibrium (GEQ) is a recently introduced online optimization framework that generalizes first-order stationarity from offline optimization and abstracts problems like online conformal prediction. While GEQ has…