分布时变在线随机优化在条件风险价值统计学习中的应用
原文中文，约400字，阅读约需1分钟。发表于：。在本文中，我们通过在线优化的视角，考虑了一个遵循随时间变化的分布的随机优化问题序列。假设损失函数满足 Polyak-Lojasiewicz 条件，我们应用在线随机梯度下降并建立了其动态遗憾界，其中包含由随机性引起的累积分布漂移和累积梯度偏差。我们采用的分布测度是 Wasserstein...
本文研究了随时间变化的分布的随机优化问题序列，应用在线随机梯度下降并建立了其动态遗憾界，采用Wasserstein距离。同时，建立了在线随机近端梯度下降的遗憾界，并将其应用于CVaR学习问题。通过改进现有证明，得到了在线随机梯度下降的遗憾界。
