Новые нижние и верхние границы на обочине онлайн-линейного регресса Sparse

arXiv: 261 0111551v1 Annualce Type: New Humber Abstract: Мы изучаем онлайновую малолинейную регрессию (OSLR), где любой алгоритм ограничивается доступом только к $2 из долларовых атрибутов для прогнозирования и $B_0\geq 0 долл. после предсказания, что оказалось NP-жестким. Предыдущая работа была сосредоточена на разработке расчетно-эффективных алгоритмов с использованием предположений относительно регулярности, но не характеризовала его теоретическую сложность в области информации. В этой работе мы придаем первую нижнюю черту минимаксному сожалению ОСЛР и проектным алгоритмам с более высокими верхними границами без допущений регулярности. Мы описываем, как минимаксы сожалеют по шкале с зависящими от проблем параметрами, улавливая информационную теоретическое сложность ОСЛР.