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。

本研究提出了一种基于隔离分布核的在线自动调制分类方案，解决了现有方法计算复杂度高、只能批量处理的问题。该方案在动态信道条件下表现优异，具有显著的线性时间复杂度，提高了实时应用效率。

本研究探讨了在机器学习算法中引入优化基准以提升在线算法的预测性能，涵盖滑雪租赁和医学影像诊断等应用场景。通过理论分析和数值模拟，提出了基于学习的算法框架，优化了在线学习算法的设计，增强了其在实际问题中的应用效果。

本文提出了多种无模型强化学习算法，旨在优化无限时间平均奖励的马尔可夫决策过程（MDP）。研究包括基于参考优势分解的在线算法、改进的遗憾界限以及处理模型不确定性的策略，提升了学习效率和计算性能，并通过数值实验验证了算法的有效性。

本研究评估了现有的语言语义变化检测模型，并提出了新的在线算法以改进词义建模。结果表明，APD和XL-LEXEME在不同任务中表现优异，强调了关注词义变化的必要性，并提出了改进动态性建模的方法。

本文介绍了一种基于学习预测器的在线算法设计，结合机器学习技术优化调度和缓存等实际问题。研究提出了灵活的算法框架，能够在不同预测器间切换，并提供性能保证。改进后的算法显著提高了求解效率，适用于多个领域的应用。

本文介绍了一种基于学习预测器的在线算法设计，结合机器学习技术优化调度和缓存置换等实际问题。研究提出了通用框架，通过不确定性量化和回归技术提高决策准确性，并展示了算法在多重预测中的应用及其性能保证。

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。