在线凸优化中的内部遗憾

Zinkevich的“在线凸优化”（http://www.cs.cmu.edu/~maz/publications/ICML03.pdf）将“后悔最小化”学习算法从线性设置推广到凸设置，并给出了良好的“外部遗憾” 。内部遗憾是否有类似的概括？（我不确定这到底意味着什么。）

尝试Gordon，Greenwald和Marks的“凸游戏中的无悔学习” http://portal.acm.org/citation.cfm?id=1390202。它的摘要听起来像它可能回答了您的问题，或者至少回答该问题的任何人都会被该论文引用或引用。

这份Avrim Blum论文指出了内在和内在遗憾之间的联系。根据其摘要，externa后悔是衡量一种算法与最佳固定操作相比性能有多差的一种度量，而内部遗憾则是该方法的最佳变化（输出的最佳固定排列，例如，每当原始算法报告时就报告A类） B级）。