Skip to content
Hot eventLive

付费噪声特征的在线逻辑回归研究

1 reports1 sources3 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 12
新报道披露该论文：在付费可去除独立噪声结构下，已知噪声结构获 Õ(√T) 遗憾，未知时获 Õ(T^{2/3}) 遗憾。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Statistics Machine Learning
    超越二阶信息：含噪声特征的付费逻辑回归

    论文研究在线二值预测中的付费随机特征问题，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。与在线线性回归不同，协方差信息不再足够：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，更低方差甚至导致更高损失。在更大付费可去除独立噪声的结构排序下，噪声结构已知时获得 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。

Heat trend

There is not enough continuous observation data to draw a trend yet.