10:22
官方账号arXiv cs.LG@Yixin Tao, Weiqiang Zheng
推荐理由：这篇论文提出了在线学习和博弈中的最优交替遗憾算法，对于在线线性优化和在线凸优化领域的研究具有重要意义，特别是对于收敛速度和下界的研究。
下界分析
共 1 条相关 AI 资讯
8月26日
10:22
本研究解决了在线线性优化（OLO）和在线凸优化（OCO）中的最小-最大最优交替遗憾问题，提出了一种具有 $O(\log d)$ 交替遗憾的算法，该算法在任何时间范围内都保持常数，并给出了匹配的下界。在两人零和博弈中，实现了 $O(\log d /T)$ 收敛到纳什均衡，在两人一般和博弈中实现了 $O(\log d /T)$ 收敛到粗相关均衡。此外，对于 $d$ 维紧凸集上的通用 OCO，提出了具有 $O(d\log (1+T/d))$ 交替遗憾的算法，并证明了匹配的下界 $Ω(d\log (1+T/d))$。