概念OMD / Online Mirror Descent
在线镜像下降
一种基于 Bregman 散度的在线学习算法，在保持决策接近的同时最小化即时损失，对凸 Lipschitz 损失可保证 O(√T) 或 O(log T) 的累积 regret 上界
时间轴 (近 90 天)
10月12日
作者将正则项本身直接放入在线学习器的损失函数，而非使用其线性化近似，从而保留凸结构信息并实现低regret。
待验证50%
10月12日
在线镜像下降（OMD）利用Bregman散度作为距离度量，对于凸Lipschitz连续损失序列，可保证累积regret上界为O(√T)或O(log T)。
待验证50%