本文探讨在线算法及其竞争分析，强调在不确定性下的决策。在线算法需在信息逐步揭示时做出不可撤销的决策，竞争分析用于评估在线算法与离线最优解的性能差距。文章分析了滑雪租赁问题和分页问题等经典案例，讨论了不同算法的竞争比及信息缺失的代价，指出其在工程实践中的应用。最后，提出学习增强算法作为未来研究方向。

本研究探讨了激励不足条件下的参数学习问题，提出了一种在线算法，能够计算可识别和不可识别的子空间，并在最小二乘意义上提供最优参数估计。在无噪声情况下，学习误差指数收敛至零，为分布式参数学习提供了新视角。

本研究分析了在线算法对环境的影响，提出了一种模型来描述学习参数与环境的耦合演变，并通过线性赌博推荐系统进行验证，发现算法影响用户群体偏好的相似性。

本研究提出了一种无悔在线算法，旨在解决未知动态系统中安全关键系统控制器合成的挑战，提高基于LTL规范的学习性能与效率。

本论文提出了一种名为“mspace”的在线算法，用于预测时态图中的节点特征。mspace在某些数据集上表现出更好的性能，并且在不同规模的训练样本上表现出一致的鲁棒性。此外，论文还给出了关于mspace多步预测误差的理论上限。

该研究介绍了一种名为`Extended Perfect Information Monte Carlo' (EPIMC)的在线算法，通过推迟完全信息解析的决策，提高了`Perfect Information Monte Carlo' (PIMC)的性能。研究通过实证分析展示了显著的性能改进，并为解决与策略融合相关的问题的确定化算法的理论基础做出了贡献。

研究人员提出了一种名为“mspace”的在线算法，用于预测时态图中的节点特征。mspace在某些数据集上表现出色，并且在不同训练样本规模下表现出一致的鲁棒性。研究人员还建立了关于mspace多步预测误差的理论上限，并表明它按预测步数的速度缩放。

该文章介绍了一种在线的二维到三维语义实例映射算法，旨在生成适用于非结构化环境中的自主代理的全面、准确且高效的语义三维地图。该方法在公共大规模数据集上的准确性优于现有技术，并指出了使用真实轨迹作为输入而不是SLAM估计的轨迹对准确性产生的重大影响。