无投影在线学习

将在线学习应用于大规模数据集时，计算瓶颈通常在于投影步骤。我们提出了高效的在线学习算法，利用 Frank-Wolfe 技术，以避免投影步骤，转而采用更高效的线性优化步骤。针对在线凸优化问题，我们获得了一系列遗憾界（regret bounds），并在随机在线平滑凸优化等特定情况下获得了更优的界限。除了计算优势外，我们算法的其他理想特性包括：在随机情况下无需调节参数，并能产生稀疏决策。我们将所提算法应用于计算密集型的协同过滤场景，并在标准数据集上展示了理论改进带来的显著效果。