待验证50% 置信事实精确时间
在线梯度下降等算法在凸或近似凸假设下可保证O(√T)遗憾。
1
来源数
50%
置信度
长期有效
时效性
2026/10/21
首次发现
来源
涉及实体
相关事实
待验证经典结果表明，在凸损失下，投影在线梯度上升的累积遗憾被界定为O(√T)，其中T为轮数（Zinkevich, 2003）。78% 相似待验证良好的在线学习算法应保证遗憾随轮次增长速度远低于线性，通常目标是O(√T)量级，指数权重(Hedge)和UCB已被证明能达到该保证75% 相似待验证在标准遗憾最小化中，遗憾上界通常表现为 O(√T)，而在倾斜采样框架下，采样遗憾由置信宽度的平方主导，产生对数级别的遗憾 O(log T)。74% 相似待验证行为克隆的分布偏移问题会导致误差累积,经过T步后期望总损失为O(εT²)而非线性的O(εT)70% 相似待验证算法只需让置信宽度以 1/√t 的速度收缩，累积平方后即可获得对数级遗憾。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1078996API
curl https://kongchang.com/api/v1/knowledge/claims/1078996MCP
get_claim(id=1078996)