具有分类或数值观测的上下文顺序决策问题无处不在，而广义线性强盗（GLB）提供了解决这些问题的坚实理论框架。与线性强盗的情况相反，现有的GLB算法有两个缺点，削弱了它们的适用性。首先，由于模型的非线性性质，他们依赖过度悲观的集中范围。其次，它们需要非凸投影步骤或预热阶段以强制估计量的有界性。当考虑非平稳模型时，这两个问题都会恶化，在该模型中，GLB参数可能会随时间变化。在这项工作中，我们专注于自洽GLB（包括logistic和Poisson回归），而忘记是通过使用滑动窗口或指数权重实现的。我们为最大似然估计器提出了一种基于置信度的新颖算法，该算法具有遗忘功能，并分析了其在突然变化的环境中的性能。这些结果以及随附的数值模拟凸显了所提出的方法在解决GLB中的非平稳性方面的潜力。



"点击查看英文标题和摘要"