online-algorithms

论文提出编辑发现优化（Edit Discovery Optimization, EDO）问题框架，用于在有限编辑器成本预算下，选择性地将人机交互数据交给更强的编辑器（人类专家或更强的模型）进行检查与修正，并提出在线算法 EDIT，在四个推理与事实问答基准上取得了更优的成本-错误权衡。

这篇论文通过证明工作函数算法在每个度量空间上达到竞争比为 k，从而证明了 k-server 猜想。

本文将CONES扩展到时变损失函数，展示了在凸优化中使用投影近端算法时遗憾和移动成本的界限。

提出SOLAR，一种面向LLM智能体中语义缓存替换的学习增强框架，通过基于遗憾的修改时机和贝叶斯在线学习，优于经典启发式算法。实现恒定的竞争比，并显著优于FIFO。