面向在线矩阵补全的始终有效风险监测

始终有效集中不等式正日益被用作在线统计学习的性能度量，特别是在生成模型和监督学习的学习中。此类不等式通过允许随机、自适应选择的样本量，而非离线统计学习中预先指定的固定大小，推动了在线学习算法设计。然而，针对矩阵补全任务建立此类始终有效型结果具有挑战性，且在文献中远未明了。由于此类结果的重要性，本工作建立并设计了在线矩阵补全问题的始终有效风险界过程。这一理论进展得益于非渐近鞅集中与正则化低秩矩阵回归的新颖结合。我们的结果实现了更具样本效率的在线算法设计，并作为评估在线矩阵补全任务上在线实验策略的基础。