待验证50% 置信事实精确时间
在本次研究之前，追踪切换k次专家序列的在线凸优化问题已知的最高效多项式时间算法的遗憾为Õ(dk)。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/15
首次发现
有效期至：2027/1/13
来源
涉及实体
相关事实
待验证Bousquet和Warmuth在2020年针对离散专家集合给出了一个高效算法，其遗憾达到信息论下界，即当比较器在m个专家中切换k次时，遗憾为Õ(md+k)，且计算效率为多项式时间。72% 相似待验证精确的 K 近邻搜索（KNN）时间复杂度为 O(n×d)，在数百万级别记忆条目下延迟不可接受，ANN 算法通过牺牲极小精度换取数量级速度提升70% 相似待验证对于实际算法设计，当维度d较大且切换次数k不可忽略时，接受Õ(dk)级别的遗憾或寻求额外结构假设，可能是比依赖离散化或精确优化更务实的方向。70% 相似待验证d·log p样本复杂度是过去依赖子集搜索的尖锐方法所具备的优势量级，HOST在不牺牲多项式运行时间的前提下达到了该水平69% 相似待验证无论EKF还是因子图，都假设输入数据的时间戳准确，时间偏移会被这些算法当作空间误差处理68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1032905API
curl https://kongchang.com/api/v1/knowledge/claims/1032905MCP
get_claim(id=1032905)