热点事件持续更新
对抗环境下预算约束在线学习提出近最优算法
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月9日，arXiv发布的一项机器学习研究针对对抗环境下的预算约束在线学习问题，提出了面向任意预算配速专家类的全信息算法，并建立了近最优悔流界（regret bounds）。研究表明，对于包含 F 个专家的类别，该算法对累积支出距离在 D 以内的专家可实现 O(D sqrt(log F) + sqrt(T log F)) 的悔流表现，成功匹配了理论下界。
AI 根据报道生成 · 3 小时前更新
最新进展10月9日 12:00
研究提出面向任意预算配速专家类的全信息算法，实现近最优悔流界。报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv 机器学习预算支出与学习的最优配速算法
研究针对对抗环境下的预算约束在线学习，提出了面向任意预算配速专家类的全信息算法，建立了近最优悔流界（regret bounds）。对于包含 $F$ 个专家的类别，该算法对累积支出距离在 $D$ 以内的专家实现 $O(D \sqrt{\log F}+ \sqrt{T\log F})$ 悔流并匹配理论下界。
本事件热度走势
当前热度 9·可比范围峰值 10（10月9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。