竞争比及其在多任务线性 bandit 顺序表征学习中的应用

基于摘要分析。本文研究在线子集选择与子空间选择中，Follow-The-Leader（FTL）的累计损失相对于事后最优专家累计损失的竞争比，并将相关理论用于多任务线性 bandit 的顺序表征学习，提出摘要记作 \baron 的算法。 在子集选择问题中，学习者每步从 K 个专家中选择 s 个，作者报告 FTL 具有 K 竞争比。在子空间选择问题（亦称在线主成分分析）中，学习者每步选择 R^d 中的 m 维子空间，观察上下文向量 x，并承担压缩损失；作者报告，在一定温和假设下，FTL 可达到 d 竞争比。竞争比描述累计损失的相对界，不能与后悔界或预测准确率混用，具体假设与损失定义仍需核对全文。 作者进一步为所提多任务线性 bandit 算法提供后悔上界和下界，并报告在一个合成数据集上实证展示计算效率。摘要未提供界的具体形式、任务间共享结构、数据生成协议、对照算法或运行时间数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够合理建模为具有共享低维表征、线性收益与在线反馈的多任务 bandit，子空间选择机制或可用于研究跨任务共享表征的顺序更新；但原文研究对象并非 EEG 解码。可借鉴的是在线子空间选择与理论分析框架，需改造的是 EEG 特征、任务定义及反馈模型。低信噪比、跨被试分布变化、通道差异和小数据可能破坏共享子空间或线性假设。一个可检验的小实验是在固定 EEG 特征与明确反馈协议下，对比顺序更新子空间和固定子空间的累计损失及计算开销，检查共享表征假设是否成立；这只是迁移假设，已有 EEG 相关工作尚未检索确认。