概念Follow-The-Regularized-Leader
FTRL
在线学习中的经典框架，每轮选择使累积线性损失加上正则化项最小的决策，通过调整正则化项灵活控制算法的稳定性与适应性
时间轴 (近 90 天)
11月3日
IAFTRL（information-acquisition follow-the-regularized-leader）被论文声称是首个在纯FTRL框架下同时达到对抗环境最优（~O(√T)遗憾）和随机环境实例依赖最优（~O(C* log T)遗憾）的线性bandit算法。
待验证50%
11月3日
IAFTRL通过动态调整正则化强度，将信息获取复杂度融入FTRL的正则化项设计，从而自动适应实例难度。
待验证50%
11月3日
FTRL（Follow-The-Regularized-Leader）是在线学习中的经典框架，每一轮选择使累积线性损失加上正则化项最小的决策。
待验证50%
11月3日
IAFTRL的分析融合了FTRL的稳定性与信息获取的实例依赖下界，为后续研究提供了新工具。
待验证50%
全部知识事实 (4)
待验证
IAFTRL（information-acquisition follow-the-regularized-leader）被论文声称是首个在纯FTRL框架下同时达到对抗环境最优（~O(√T)遗憾）和随机环境实例依赖最优（~O(C* log T)遗憾）的线性bandit算法。
50%待验证IAFTRL通过动态调整正则化强度，将信息获取复杂度融入FTRL的正则化项设计，从而自动适应实例难度。
50%待验证FTRL（Follow-The-Regularized-Leader）是在线学习中的经典框架，每一轮选择使累积线性损失加上正则化项最小的决策。
50%待验证IAFTRL的分析融合了FTRL的稳定性与信息获取的实例依赖下界，为后续研究提供了新工具。
50%