arXiv · cs.AI · Dhruv Sarkar, Aprameyo Chakrabartty · 11 小时前模型评分37
面向可行集演化的在线优化：嵌套凸体追逐方法
Nested Convex-Body Chasing for Online Optimization with Evolving Feasible Sets
导读
研究针对可行域嵌套收缩的在线优化，提出将损失控制与几何移动分离的算法：约束最小化与累积损失检验保证遗憾界，确定性可重置的嵌套凸体追逐器限制移动量。在二维情形下证明任何终期期望遗憾为 O(T^β)（β<1）的随机算法在某些嵌套序列上至少产生 Ω(√log T) 期望移动，说明该依赖已是最优。方法把先前分析中的 O(d^{d/2}) 投影路径因子降为欧氏嵌套凸体追逐的多项式维度依赖。
分类置信度
低
- 缺少主分类。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We study online optimization with nested shrinking feasible regions in two settings: convex optimization with nested evolving feasible sets (CONES) and adversarial constrained online convex optimization (COCO).”
来源：arXiv · cs.AI · arxiv.org