热点事件持续更新
学者提出离线到在线线性赌博机高斯宽度更紧遗憾界
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月12日，arXiv机器学习领域发布的一项研究针对离线到在线随机线性Bandit（赌博机）学习提出了更紧的遗憾界。在d维特征中仅有k个方向覆盖不足的局部覆盖设定下，研究人员借助高斯向量的Lipschitz函数集中不等式，开发出遗憾界达到$\widetilde O(k\sqrt T)$的分阶段消除算法。该理论成果相比既有的$\widetilde O(\sqrt{dkT})$遗憾界实现了进一步优化，为局部覆盖设定下的线性赌博机算法提供了更强的理论保证。
AI 根据报道生成 · 7 小时前更新
最新进展10月12日 12:00
研究人员提出遗憾界达 $\widetilde O(k\sqrt T)$ 的分阶段消除算法，优于既有界限。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习离线到在线线性 Bandit 的高斯宽度界
研究人员针对离线到在线随机线性 Bandit 学习提出了更紧的遗憾界。在 $d$ 维特征中仅有 $k$ 个方向覆盖不足的局部覆盖设定下，该研究借助高斯向量的 Lipschitz 函数集中不等式，开发出遗憾界达 $\widetilde O(k\sqrt T)$ 的分阶段消除算法，优于既有的 $\widetilde O(\sqrt{dkT})$ 界。
本事件热度走势
当前热度 8·可比范围峰值 10（10月12日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。