本文研究了非随机联邦多臂老虎机问题，提出了新算法FEDEXP3，能够在不交换信息的情况下实现次线性遗憾。同时，探讨了在自适应对手和有限反馈条件下的分布式在线优化，提出了有效的合作策略和算法，并验证了其在合成和真实数据集上的有效性。

本研究探讨了面对自适应对手时的分布式在线和掷骰机凸优化问题。结果表明，在机器能够访问查询点的一阶梯度信息时，合作是没有益处的。然而，在只能访问成本函数值的情况下，合作可能导致机器数量的线性加速。通过开发新的分布式算法，研究结果在联邦对抗线性掷骰机中得到了应用。这项研究填补了联邦在线优化中随机和自适应环境之间的差距。

本研究探讨了面对自适应对手时的分布式在线和掷骰机凸优化问题。结果表明，在机器能够访问查询点的一阶梯度信息时，合作是没有益处的。然而，在只能访问查询点的成本函数值的情况下，合作可能有益且可能导致机器数量的线性加速。通过开发新的分布式算法，进一步说明了研究结果在联邦对抗线性掷骰机中的应用。这项研究填补了联邦在线优化中随机和自适应环境之间的差距。

本研究探讨了面对自适应对手时的分布式在线和掷骰机凸优化问题。研究发现，在机器能够访问查询点的一阶梯度信息时，合作是没有益处的。然而，在只能访问查询点的成本函数值的情况下，合作可能有益且可能导致机器数量的线性加速。通过开发新的分布式反馈算法，研究结果在联邦对抗线性掷骰机中得到了应用。这项研究填补了联邦在线优化中随机和自适应环境之间的差距。

本文研究了面对自适应对手时的分布式在线和掷骰机凸优化问题。研究结果表明，在机器能够访问所查询点的一阶梯度信息时，合作是没有益处的。然而，在只能访问成本函数值的情况下，合作可能导致机器数量的线性加速。通过开发新的分布式反馈算法，进一步说明了研究结果在联邦对抗线性掷骰机中的应用。填补了联邦在线优化中随机和自适应环境之间的差距。