arXiv cs.LG·35 天前★ 1

指示切换成本下的在线凸优化动态遗憾

原文标题：Dynamic Regret in Online Convex Optimization with Indicator Switching Costs

重要度 1/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

该论文研究带指示切换成本的在线凸优化动态遗憾问题，此类成本刻画服务器激活、模型部署等启动开销。作者证明直接扩展现有技术会失败，并提出基于元学习的框架，用随机惰性 FTRL 基学习器与运动感知主算法聚合。所得界在无需预知切换次数与路径长度的情况下达到极小极大最优。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 带指示切换成本的在线凸优化中，动态遗憾缺乏保证。
方法: 证明直接扩展现有技术会失败，提出元学习框架：随机惰性FTRL基学习器按二进时间尺度重启，由运动感知主算法混合并采样。
结果: 期望动态遗憾加切换成本达Õ(min{√(T(S_T+1)), T^{2/3}(P_T+1)^{1/3}})，无需预知切换次数与路径长度，极小极大最优
影响: 为服务器激活、模型部署等启动开销场景提供无需调参的在线决策算法，做在线服务调度的工程师可参考。