在线风险规避子模最大化

我们提出了一种多项式时间的在线算法，用于最大化单调随机子模函数的条件风险价值（CVaR）。给定从底层分布中在线到达的$T$个独立同分布样本，我们的算法产生一串解，对单调连续DR-子模函数以$O(T^{-1/4})$的收敛速率收敛到$(1-1/e)$-近似解。与先前需要$\Omega(T)$空间的离线算法相比，我们的在线算法仅需$O(\sqrt{T})$空间。我们将在线算法扩展到拟阵约束下单调子模集合函数的投资组合优化。在真实世界数据集上的实验表明，我们的算法能快速达到与现有离线算法相当的CVaR。