オンライン線形回帰における特徴プライミング：スパース後悔下界と一変量レート

arXiv stat.ML ・ 2026-08-18

原題: Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate

AI による要約

高次元オンライン予測で特徴プライミングが後悔をスパース性に応じてスケールさせる手法を提案した。過去データから特徴重みを推定し再スケーリング設計で最小ノルム予測器を再学習する。COLT 2023で提起された問題に対し、3つのルールすべてがスパース対数形式の後悔保証を持たないことを示した。

この要約は当サイトの AI が生成したものです。正確な内容は元記事（arXiv stat.ML）をご確認ください。