在线战略分类中的策略 Littlestone 维数：提高的在线战略分类界限

我们研究了战略代理人可以修改其可观察特征以获得正分类的在线二分类问题。在本文中，我们通过特征空间上的有向图对可行操纵集合进行建模，假设学习器仅观察到被操纵后的特征而非原始特征。我们引入了战略 Littlestone 维数，这是一种新的组合度量，捕捉假设类和操纵图的联合复杂度。我们证明了它 characterize 确定性学习算法在可实现情形下的实例最优错误界限。我们也通过细化的可实现-不可实现归约实现了在不可实现情形下的 improved regret，该归约考虑了额外的挑战，即学习器无法观测到代理人的原始特征。最后，我们放宽了学习器已知操纵图的假设，假设其知识由一族图捕获。在我们派生的两个情形中：一个是在所有代理人根据图族中相同的图进行操纵的可实现情形，另一个是在不可实现情形下，操纵图被选 adversarially 且不一致地由单一图建模的情形。