Sharp Oracle-Regret Tradeoffs for Projection-Free Online Convex Optimization
Get the story
2026-10-02，arXiv 发表机器学习理论论文，研究仅依赖精确线性优化 Oracle 的在线凸优化问题。在凸 G-Lipschitz 损失、直径 D、总 Oracle 调用 Q、每轮上限 B 的设定下，给出维度无关的极小极大期望遗憾下界 Θ(GD·max{√T, T/(1+min{Q,BT})^1/4})，并对任意随机化学习器成立；论文同时给出匹配该下界的计数近似梯度方法，以及总预算和每轮保证的特殊情形。
Generated from reports · updated 4 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory投影自由在线凸优化的尖锐 Oracle-Regret 权衡
论文刻画了仅依赖精确线性优化 Oracle 时在线凸优化的遗憾下界。在凸 G-Lipschitz 损失、直径 D、总 Oracle 调用 Q、每轮上限 B 的设定下，维度无关的极小极大期望遗憾为 Θ(GD·max{√T, T/(1+min{Q,BT})^1/4})。该下界对任意随机化学习器成立，并给出达到匹配率的计数近似梯度方法与总预算/每轮保证的特殊情形。
Heat trend
Current heat 9·Comparable peak 10（Oct 2）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.