付费噪声特征的在线逻辑回归研究

该事件围绕在线二值预测中的付费随机特征问题展开。研究者提出，学习者可付费获取更精确的特征观测，以同时控制预测损失与采集成本。论文指出，与在线线性回归不同，协方差信息在此不再足够：具有相同协方差的两种噪声分布可能产生不同的最优逻辑回归损失，且更低方差甚至可能导致更高损失。在更大的付费可去除独立噪声的结构排序下，研究给出了两类遗憾界：当噪声结构已知时为 Õ(√T) 遗憾，未知时为 Õ(T^{2/3}) 遗憾，并给出对数因子意义下的匹配下界。目前报道仅涉及该论文的理论结果，未见实验或后续验证信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。