非平稳在线凸凹优化的模块化算法

本文研究了在线凸凹优化问题，这是将在线凸优化扩展至两人时变凸凹博弈的问题。目标是最小化动态对偶间隙(D-DGap)，这是一种关键性能度量，用于评估玩家策略与任意对比序列之间的策略。现有算法在平稳或可预测环境下无法实现最佳性能。为此，我们提出一种新型模块化算法，包含三个核心组件：自适应模块可动态调整以适应不同非平稳性水平，多预测器聚合器从多个候选预测器中识别最佳预测器，集成模块有效结合其优势。我们的算法在达到以对数因子为次优的minimax最优D-DGap上限的同时，确保基于预测误差的D-DGap界。模块化设计允许无缝替换调节动态环境适应性的组件，以及集成来自多个预测器的'侧知识'的组件。实验结果进一步证明了所提方法的有效性与适应性。