近端在线梯度是动态遗憾的最优算法
机器学习
2019-09-04 v6 机器学习
摘要
在线学习中，动态遗憾度量选择可能随时间变化的参考（最优）解，而典型的（静态）遗憾度量假设参考解在整个时间范围内保持不变。动态遗憾度量对于诸如在线推荐（因为客户偏好总是随时间演化）等应用尤为有趣。虽然在线梯度方法已被证明对静态遗憾度量是最优的，但动态遗憾的最优算法仍属未知。在本文中，我们通过证明所证下界与略微改进现有上界的上界相匹配，表明近端在线梯度（在线梯度的一般化版本）对动态遗憾是最优的。
引用
@article{arxiv.1810.03594,
title = {Proximal Online Gradient is Optimum for Dynamic Regret},
author = {Yawei Zhao and Shuang Qiu and Ji Liu},
journal= {arXiv preprint arXiv:1810.03594},
year = {2019}
}