跳到正文
热点事件持续更新

RA-UCB与MG-UCB算法解决在线资源分配问题

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年10月22日，arXiv上发布了一项关于在线资源分配问题的最新研究。该研究重点探讨了在预算未知且阈值分布未知的复杂场景下，如何有效进行资源分配。研究人员针对这一痛点，正式提出了RA-UCB和MG-UCB两种新型算法。 在理论性能方面，新算法在已知预算的条件下实现了约O(√T)的后悔界。在更强的假设前提下，算法进一步达到了多项式对数T（poly-log T）的后悔界水平。这些理论结果展示了算法在应对不确定性时的鲁棒性。 研究团队并未止步于理论推导，而是利用真实数据集对算法进行了验证。实验结果证实了理论分析的有效性，表明所提出的算法在实际应用中具备较好的可行性和性能表现。

AI 根据报道生成 · 12 小时前更新

最新进展10月22日 12:00
审查反馈下在线资源分配问题的学习与算法

报道时间线

沿着报道，了解事件的不同侧面。

10月22日
  1. arXiv · ML
    审查反馈下在线资源分配问题的学习与算法

    该研究提出 RA-UCB 和 MG-UCB 算法，解决预算未知阈值分布下的在线资源分配问题。 算法在已知预算下实现 $\widetilde{\mathcal{O}}(\sqrt{T})$ 后悔界，在更强假设下达到 $\mathcal{O}(\mathrm{poly}\text{-}\log T)$，并通过真实数据集验证了理论结果。

本事件热度走势

可比范围当前
7
可比范围峰值
910月22日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。