热点事件持续更新
研究提出面向可混合真损失的在线Omniprediction理论算法
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年11月2日，arXiv机器学习领域发布了一项针对在线学习中Omniprediction任务的研究成果。该研究探讨了在更广泛的损失函数范围内的理论边界，证明了对于所有有界真损失，无法同时实现次线性regret；与此同时，研究指出针对所有可混合真损失，可以实现理论最优的regret界，具体达到$\widetilde{O}(T^{1/3}(\log|\mathcal{F}|)^{2/3})$。这一成果界定了在线Omniprediction在不同损失类型下的理论可行性与性能极限。
AI 根据报道生成 · 5 小时前更新
最新进展11月2日 13:00
研究证明可混合真损失可达理论最优regret，而有界真损失无法同时实现次线性regret。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv 机器学习面向所有可混合真损失及更广范围的 Omniprediction 研究
针对在线学习中的 Omniprediction 任务，该研究证明对所有有界真损失无法同时实现次线性 regret，但对所有可混合真损失能达到理论最优的 $\widetilde{O}(T^{1/3}(\log|\mathcal{F}|)^{2/3})$ regret。
本事件热度走势
当前热度 9·可比范围峰值 10（11月2日 14:00）·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。