通过设计自适应的正则化器和学习率，FTRL 是一个强大的框架，适用于各种在线学习问题。本文提出了一个新的自适应学习率框架来解决具有 Θ(T^{2/3}) 最小最大遗憾的问题，并应用于部分监控和图形赌博两个重要的间接反馈问题。

本文介绍了一种新型非随机控制算法，结合正则化技术和未来成本预测，以适应环境变化。研究提出了基于再生核希尔伯特空间的顺序控制算法，针对未知非线性动态系统，实验结果表明其在多个控制任务中表现优异。此外，广义隐式FTRL算法扩展了在线学习的应用，改善了遗憾的上界，确保了动态系统中的有效控制。

本文综述在线学习中反馈对遗憾的影响：在强可观测无向反馈图下改进回报上下界，利用FTRL与q-Tsallis熵给出证明并扩展至时变图；刻画不同反馈类型的minimax遗憾并设计匹配算法；分析反馈图结构对学习难度的决定作用；探讨部分信息反馈、延迟反馈、集合选择、马尔可夫决策过程及核赌博等情形，提出相应算法与遗憾保证。