热点事件持续更新
学者解决专家问题与在线凸优化极小极大交替遗憾界问题
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
2026年11月2日，arXiv发布的研究解决了专家问题与通用在线凸优化（OCO）的极小极大交替遗憾界问题，给出了两者匹配的上下界。具体而言，在 $d$ 专家问题与 $d$ 维通用 OCO 中，极小极大交替遗憾分别被确定为 $\Theta(\log d)$ 与 $\Theta(d\log(1+T/d))$。应用方面，该动态在双人零和博弈中达到了 $O(\frac{\log d}{T})$ 的纳什均衡收敛率，并且首次在双人一般和博弈中实现了该粗相关均衡收敛率。
AI 根据报道生成 · 17 小时前更新
最新进展11月2日 13:00
学者确定了专家问题与通用OCO交替遗憾的匹配上下界，并拓展至博弈均衡收敛应用。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv stat.ML专家问题与在线凸优化的极小极大交替遗憾
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。
本事件热度走势
当前热度 6·可比范围峰值 10（11月2日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。