持續時間線上學習

深度分析

持續時間線上學習：均場神經網路於隨機擴散環境的後悔分析

研究聚焦於資料由未知係數擴散過程產生的持續時間線上學習，採用兩層均場神經網路以非前瞻方式持續更新參數，並以隨機Wasserstein梯度流建模。作者證明在位移凸性下可取得常數靜態後悔，非凸情況則給予線性後悔界限，揭示資料變異與正則化的效應。