热点事件观察中

公平感知上下文Bandits最优学习算法

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

2026年11月3日，Gengyu Xue等人在arXiv发表研究，提出两种满足全局Lipschitz公平约束的公平感知情境Bandits算法。该研究实现了每轮公平性，并达成最优遗憾界$O(\sqrt{T} + T^{(d-2)/(d-1)})$，证明了非参数学习成本的不可避免性。

AI 根据报道生成 · 1 天前更新

最新进展11月3日 13:00

沿着报道，了解事件的不同侧面。

11月3日

13:00
arXiv · ML
公平感知情境 Bandit 中的最优学习
研究提出两种公平感知情境 Bandit 算法，满足全局 Lipschitz 公平约束。算法实现每轮公平且达成最优遗憾界 $O(\sqrt{T} + T^{(d-2)/(d-1)})$，证明非参数学习成本的不可避免性。

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。