SCaLE：面向开放度学习与探索的切换成本感知方法
机器学习
2026-01-15 v1 数据结构与算法
最优化与控制
概率论
机器学习
摘要
本工作聚焦于 bandit 在线凸优化中不可分割度量移动成本的根本问题，考虑高维动态二次命中成本以及 范数切换成本，构建于噪声 bandit 反馈模型之上。针对一类一般的随机环境，本文首次提出 SCaLE 算法，能够在不依赖命中成本结构知识的情况下，实现分布不可知的亚线性动态懊悔。过程中，我们提出一种新颖的谱懊悔分析，分别量化特征值误差驱动的懊悔与特征基偏移驱动的懊悔。大量数值实验对比 online 学习基线验证了我们的主张，同时突出了本算法的统计一致性。
关键词
引用
@article{arxiv.2601.09042,
title = {SCaLE: Switching Cost aware Learning and Exploration},
author = {Neelkamal Bhuyan and Debankur Mukherjee and Adam Wierman},
journal= {arXiv preprint arXiv:2601.09042},
year = {2026}
}
备注
42 pages