محققان در پژوهشی جدید، الگوریتم کارآمدی به نام EHM را برای حل مسائل پیچیده «باندیتهای خطی تعمیمیافته» (GLB) معرفی کردهاند. این متد که با استفاده از روش «تغییر جهت آنلاین» (OMD) طراحی شده، میتواند با وجود نویزهای سنگین در دادههای دنیای واقعی (مانند بازارهای مالی یا توصیهگرها)، با پیچیدگی محاسباتی بسیار پایین، نتایج بهینهای ارائه دهد.
این دستاورد نه تنها در مدلهای خطی، بلکه با تعمیم به مسائل غیرخطی (NB)، گامی بلند در جهت بهبود سیستمهای یادگیری ماشین در شرایط عدم قطعیت برداشته است. 🤖✨
منبع: arXiv Machine Learning