发表机构
Rutgers University; The Hebrew University（罗格斯大学; 希伯来大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文证明随机适定在线学习的最优期望错误界为 O(L(H) log T)，改进了先前 O(L(H) log^6 T) 的结果，并达到常数因子内的最优性。
AI 中文摘要
我们证明，通过随机适定学习算法在线学习函数类 $\mathcal{H}$ 的最优期望错误界为 $O(\mathtt{L}(\mathcal{H}) \log T)$，其中 $\mathtt{L}(\mathcal{H})$ 是 $\mathcal{H}$ 的 Littlestone 维数，$T$ 是时间范围。我们的结果改进了此前由 Daskalakis 和 Golowich（STOC 2022）给出的最优已知界 $O(\mathtt{L}(\mathcal{H}) \log^6 T)$，并且对于最坏情况下的类别，在常数因子内是最优的。
英文摘要
We prove that the optimal expected mistake bound of online learning a function class $\mathcal{H}$ by a randomized proper learning algorithm is $O(\mathtt{L}(\mathcal{H}) \log T)$, where $\mathtt{L}(\mathcal{H})$ is the Littlestone dimension of $\mathcal{H}$ and $T$ is the time horizon. Our result improves upon the previously best known bound of $O(\mathtt{L}(\mathcal{H}) \log^6 T)$ given by Daskalakis and Golowich (STOC 2022), and is optimal up to a universal constant for worst-case classes.
