日尔基·基维宁;曼弗雷德·沃穆特。 线性预测因子的指数梯度与梯度下降。 （英语） Zbl 0872.68158号 Inf.计算。 132，第1期，1-63页（1997年）. 总结：我们考虑了两种基于线性模型的在线预测算法。这些算法是众所周知的梯度下降（GD）算法和一种新算法，我们称之为（text{EG}^\pm）。它们都使用简单的更新来维护权重向量。对于GD算法，更新基于减去预测平方误差的梯度。\（\text｛EG｝^\pm\）算法使用因子指数中的梯度分量，这些因子用于乘法更新权重向量。我们给出了\（\text{EG}^\pm\）的最坏情况损失界限，并将其与GD算法的已知界限进行了比较。界限表明，算法的损失通常是不可比较的，但如果只有输入的几个分量与预测相关，则（\text{EG}^\pm）的损失要小得多。我们进行的实验表明，在简单的人工数据上，我们的最坏情况上限已经很紧了。 引用于57文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：梯度下降算法;\（\text{EG}^\pm\）算法 PDF格式BibTeX公司 XML格式引用 \textit{J.Kivinen}和\textit{M.K.Warmuth}，Inf.Compute。132，第1号，1--63（1997；Zbl 0872.68158） 全文： 内政部 链接