学者提出未知特征下通用VC类紧致随机序列覆盖界
Start here
2026年11月3日，arXiv机器学习领域发布一项新研究，针对特征分布未知的混合在线学习问题展开探索。该研究证明，有限VC维 $d$ 即可实现对数大小为 $O(d\log T+\log(1/\delta))$ 的紧致随机序列精确覆盖，成功匹配最坏情况理论下界。此外，研究团队通过引入局部立方体权重进行非均匀分割，首次为未知 i.i.d. 特征的通用 VC 分区实现了 $O((d+1)\log T)$ 的紧致期望对数损失遗憾，并提供了平面仿射半空间的多项式时间实现方案。
AI-generated from reports · Updated 14 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习未知 i.i.d. 特征下通用 VC 类的紧致随机序列覆盖
新研究针对特征分布未知的混合在线学习，证明有限 VC 维 $d$ 即可实现对数大小为 $O(d\log T+\log(1/\delta))$ 的紧致随机序列精确覆盖，匹配最坏情况理论下界。该方法引入局部立方体权重进行非均匀分割，首次为未知 i.i.d. 特征的通用 VC 分区实现了 $O((d+1)\log T)$ 的紧致期望对数损失遗憾，并提供了平面仿射半空间的多项式时间实现。
Story heat trend
Current heat 6·Comparable peak 9（Nov 3 18:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.