重尾噪声下无参数区间动态遗憾界研究
Get the story
2026年10月5日，arXiv机器学习理论方向发布一篇论文，研究重尾噪声下的无参数区间动态遗憾界。该论文针对在线凸优化问题，假设每轮仅获得一个无偏随机次梯度，且条件p阶噪声矩未知（1<p≤2），给出对任意固定区间I的期望遗憾上界。学习器不使用G、σ、p、I、P_I，常数为通用值；区间自适应仅增加比较器复杂度，保留均值梯度与噪声的独立指数。分析还给出相对熵依赖非均匀先验的通用定理、1+log(T/n)的区间代价及变化测度下界。目前报道仅涉及该论文内容，未见后续验证或讨论。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory重尾噪声下的无参数区间动态遗憾界
该论文研究每轮仅获得一个无偏随机次梯度、条件 p 阶噪声矩未知（1<p≤2）的在线凸优化问题，给出对任意固定区间 I 的期望遗憾上界。学习器不使用 G、σ、p、I、P_I，常数为通用值；区间自适应仅增加比较器复杂度，保留均值梯度与噪声的独立指数。分析还给出相对熵依赖非均匀先验的通用定理、1+log(T/n) 的区间代价及变化测度下界。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·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.