下闭凸集上在线非单调 DR 次亚调和函数的上线性化
机器学习
2026-02-25 v1 最优化与控制
机器学习
摘要
我们研究下闭凸集上的非单调 diminishing-return (DR) 次亚调和函数的在线最大化问题，这一情景下现有的投影自由在线方法面临次优 regret 和有限反馈保证。我们的主要贡献是表明该类问题在精心设计的指数 reparametrization、缩放参数和 surrogate potential 下可实现 线性化，从而将问题归约为在线线性优化。因此，我们获得 静态 regret，并通过单次梯度查询实现自适应和动态 regret 保证，同时在半带宽、带宽和零阶反馈模型下获得改进的收敛率。跨所有反馈模型，我们的结果严格改进了现有的技术水平。
引用
@article{arxiv.2602.20578,
title = {Upper-Linearizability of Online Non-Monotone DR-Submodular Maximization over Down-Closed Convex Sets},
author = {Yiyang Lu and Haresh Jadav and Mohammad Pedramfar and Ranveer Singh and Vaneet Aggarwal},
journal= {arXiv preprint arXiv:2602.20578},
year = {2026}
}