重温赌博机凸优化：FTRL 实现 $\tilde{O}(t^{1/2})$ 后悔界
机器学习
2023-06-27 v2
摘要
我们证明，使用多次函数求值的核估计量可以轻易地转化为基于采样的赌博机估计量，其期望等于原核估计量。将此类赌博机估计量代入标准 FTRL 算法，得到一种赌博机凸优化算法，该算法针对对抗性时变凸损失函数实现了 后悔。
引用
@article{arxiv.2302.00358,
title = {Bandit Convex Optimisation Revisited: FTRL Achieves $\tilde{O}(t^{1/2})$ Regret},
author = {David Young and Douglas Leith and George Iosifidis},
journal= {arXiv preprint arXiv:2302.00358},
year = {2023}
}
备注
Error in proof