概念regret lower bound
遗憾下界
在线学习理论中衡量算法性能下界的指标，指任何算法相对于事后最优策略的累积损失差距的最小可能速率。遗憾下界刻画了问题的内在难度边界，与算法上界匹配时表明达到minimax最优。
时间轴 (近 90 天)
10月16日
论文首次建立了对数损失下量子态在线学习的遗憾下界。
待验证50%
10月16日
对于维度为 d 的量子系统，量子态在线学习的遗憾下界至少以 Ω(√T) 的速率增长，其中 T 是轮数。
待验证50%
10月16日
论文指出遗憾下界是否适用于其他损失函数（如平方损失）尚不清楚。
待验证50%
10月9日
在本文之前，针对一般核函数的遗憾下界一直是缺失的，只有平方指数核和 Matérn 核等特定核函数推导出了与上界几乎吻合的下界
待验证50%