标签
本文提出了一种针对具有指示切换成本的在线凸优化元学习框架，无需预先获知比较器变化信息，即可达到极小极大最优的动态遗憾界。
FedPGT 提出了一种用于车载联邦学习的渐进梯度传输方案，以应对时变信道，在动态车载环境中实现了精度提升和误差降低。
本文提出了在 Hadamard 流形上针对 horospherical 凸函数的分布式黎曼在线梯度下降方法，其遗憾界与曲率无关，并实现与欧几里得优化相匹配的速率。
本文提出了一种在线算法，用于在下闭凸约束下最大化非单调DR-次模函数，在全信息值查询模型中实现了已知最佳的离线近似因子0.401，且遗憾值亚线性。
本文介绍了Director，一个分布式MoE服务系统，通过预测驱动的在线主动专家放置来最小化端到端延迟。它采用轻量级预测器和基于松弛法的优化器，对Mistral、DeepSeek和Qwen等模型可实现高达55%的延迟降低。
本文介绍了一种面向在线优化的曲率自适应跟随扰动的领导者（FTPL）算法，该算法采用时变扰动尺度，在非凸Lipschitz损失和强凸损失下均能实现最优遗憾界。