本文研究了无嫉妒学习的拍卖机制，探讨了组合拍卖和在线学习算法在预算限制下的应用，提出了多种优化算法和框架，以提高拍卖效率和收益，尤其在大规模拍卖中展现出良好的可扩展性和竞争力。

本文分析了在线学习算法，提出了一种新算法以提高鲁棒性和预测能力。研究涵盖线性回归和多臂老虎机等问题，探讨了在对抗性环境下的鲁棒性，强调了机器学习模型在不确定条件下的稳定性及其在可信人工智能中的重要性。

本文提出多种在线学习算法，针对视频分类和异常检测问题，显著提升了分类速度和准确性。研究涉及实时视频分析、行为模型构建及自动驾驶物体检测，展示了算法在效率和适应性方面的优势。

本文研究了在线控制下的线性动态系统，提出了两种高效的在线学习算法以优化遗憾界限，并改进了传统算法，提出了新的在线线性二次控制算法，增强了在敌对扰动下的性能。同时，分析了基于梯度的在线学习算法在非凸模型中的应用，展示了其在大规模机器学习中的竞争力。

本文探讨了机器学习在能效调度中的应用，提出多种策略以减少预测误差并提高调度效率。研究涵盖作业调度和医学影像诊断，强调预测成本对调度系统的影响，并设计新型在线学习算法以优化性能。实验结果表明，所提方法在处理不确定性时具有鲁棒性，能够实现性能提升。

本文介绍了在线学习算法SMART，通过单调适应性遗憾追踪实现了相对于领导者跟随策略的表现和其他输入策略的最坏情况保证。该算法证明了SMART政策在任何输入序列上的遗憾在乘法因子e/(e-1)≈1.58的范围内，并且易于实施。文章还提出了SMART的一个修改版本，实现了在FTL和小损失遗憾上的实例最优性。

最近的研究发现，在线学习算法应用于在线到批次转换可以获得高概率风险界限，改善了估计器在各种问题参数上的表现。顺序算法具有计算上的优势。

本文介绍了一种在线学习算法，通过正则化路径的顺序随机逼近，收敛于再生核希尔伯特空间中的回归函数。通过选择增益或步长序列，可以生产出批量学习的最佳已知强收敛速率，并给出了弱收敛速率。通过偏差-方差分解，证明偏差包括逼近误差和漂移误差，方差来自样本误差，分析为反向鞍点型差分序列。

该文介绍了一种在线学习算法，通过正则化路径的顺序随机逼近，收敛于再生核希尔伯特空间中的回归函数。通过选择增益或步长序列，可以生产出批量学习的最佳已知强收敛速率，并给出了弱收敛速率。通过偏差-方差分解，证明偏差包括逼近误差和漂移误差，方差来自样本误差。上述速率通过偏差和方差之间的最佳折衷得到。

本研究将通用在线学习算法应用于在线到批次转换，通过对定义遗憾的损失函数进行二阶校正，获得了几个统计估计问题的高概率风险界限。研究讨论了顺序算法与批处理算法的计算优势。