arXiv stat.ML· Mengxiao Zhang·· 17 小时前AI 评分34
专家问题与在线凸优化的极小极大交替遗憾
Minimax Alternating Regret for the Experts Problem and Online Convex Optimization
AI 导读
该研究给出了专家问题与通用在线凸优化（OCO）交替遗憾的匹配上下界，解决其极小极大界问题。在 $d$ 专家问题与 $d$ 维通用 OCO 中，极小极大交替遗憾分别确定为 $\Theta(\log d)$ 与 $\Theta(d\log(1+T/d))$。该动态在双人零和博弈中达到 $O(\frac{\log d}{T})$ 的纳什均衡收敛率，且首次在双人一般和博弈中实现该粗相关均衡收敛率。
来源：arXiv stat.ML · arxiv.org