本文提出了在线凸优化算法来解决无约束情况下在线预测和分类的问题，并证明了其相对于参数 x^* 几乎达到最优的遗憾界。

Nov, 2012

本文提出了一种新的在线学习模式，可以处理无界域和非 Lipschitz 损失的问题，并开发了新的基于套索的在线学习算法，同时利用此算法开发了新的鞍点优化算法，在无界域中实现对偶间隙的收敛；最终提供了第一个实现非 Lipschitz 损失下的动态遗憾度的算法，以及匹配的下界。

Jun, 2023

我们设计了一种在线线性优化算法，其具有最佳的遗憾度，并且不需要知道损失向量范数的上界或下界。通过尺度不变性，我们实现了对损失向量范数的适应性，即使损失向量序列乘以任意正常数，我们的算法仍会做出完全相同的决策。我们的算法适用于任何有界或无界决策集。对于无界决策集，这是第一个真正自适应的在线线性优化算法。

Feb, 2015

使用先进的证明技术和 Zinkevich-style 动态遗憾最小化框架，本研究提出了一个强适应的在线学习算法，其总变化控制下的动态遗憾为 O (n^(1/3)*C_n^(2/3))，并且可以扩展到局部自适应非参数回归问题中。

Apr, 2021

研究一种基于连续时间的在线优化策略族，证明其能够达到无遗憾学习。从传统的离散时间角度来看，这种方法可导出大量离散时间算法（包括一些经典遗憾分析算法）的无遗憾性质，并统一了许多经典的遗憾上界，得到了一个无需借助于倍增技巧即可保证 $O (n^{-1/2})$ 遗憾上界的学习策略类。

Jan, 2014

本文提出了基于多层在线集成的在线凸优化方法，具有两种不同的适应性水平，并针对强凸、指数 - 凹和凸损失函数分别获得了收敛等效性和遗憾上界。

Jul, 2023

本文介绍了几种新的黑盒约简，通过简化分析，改进遗憾保证甚至改进运行时间，显著地提高了自适应和无参数在线学习算法的设计。 我们将无参数在线学习约化为在线指数凸优化、将 Banach 空间中的优化约化为一维优化、将约束域的优化约化为无约束优化。 我们所有的约简的运行速度都与在线梯度下降相同。 我们使用我们的新技术改进了以前对于任意范数的无参数学习的最佳遗憾保证。

Feb, 2018

探讨网络预测与专家意见的关系，研究如何转化任意 beta 可混合损失为同一 beta 值的 beta 指数凹复合损失函数，以实现计算效率和性能保证的平衡。

May, 2018

研究了涉及亚指数噪声的无约束在线凸优化问题，设计了一种新的巴拿赫空间参数自由 OCO 算法 BANCO（Betting on Noisy Coins），证明了其具有最优的性能表现，并将其应用于局部随机梯度下降算法以及多次对数定律的应用。

Feb, 2019

本文提出了一种基于高斯过程的算法，通过域缩小方法和函数域的树形分区迭代优化，获得了与多项式对数因子有关的高性能。所提出的算法是第一个具有渐近最优遗憾保证的基于高斯过程的算法，并且与 GP-UCB 算法相比，将计算复杂度降低了多项式级别。

Oct, 2020