基于置信度的在线学习优化算法CAdam

本研究针对在线学习中Adam优化器面临的挑战，提出了一种基于置信度的优化策略CAdam。该方法通过评估动量和梯度间的一致性，对参数更新进行优化，有效区分真实数据分布变化与噪声，从而提高适应新数据分布的速度。实验结果表明，CAdam在效率和抗噪声能力上优于其他优化器，并在实际推荐系统中的A/B测试中显著提升了模型性能。