在在线凸优化（online convex optimization）的框架下，已有一些算法能够有效地最小化自适应遗憾值。然而，现有算法存在通用性不足的问题：它们通常只能处 理某一类特定的凸函数，并且需要预先知道某些参数，这限制了它们在实际场景中的应用。 机器之心报道 编辑：冷猫、Panda 世界是动态变化的。为了理解这个动态变化的世界并在其中运行，AI 模型必须具备在线学习能力。为此，该领域提出了一种新的性能指标 —— 适应性遗憾值 （adaptive regret），其定义为任意区间内的最大静态遗憾值。 为了解决这一局限，南京大学周志华团队研究了具有 双重 自适 应性（dual adaptivity） 的通用算法。这类算法不仅能够自动适应函数的性质（如凸、指数凹或强 凸），还能够适应环境的变化（如静态或动态环境）。 论文标题：Dual Adaptivity: Universal Algorithms for Minimizing the Adaptive Regret of Convex Functions 论文链接：https://arxiv.org/pdf/2508.00392 具体而言，该团队提出了一 ...