张腾博士的论文《Optimal Margin Distribution Learning in Dynamic Environments》被今年2月份在美国纽约举办的第34届AAAI大会(AAAI'20)录用。该会议是人工智能领域重要学术组织美国人工智能协会(Association for the Advancement of Artificial Intelligence)主办的年会，在中国计算机学会的国际学术会议排名以及清华大学新发布的计算机科学推荐学术会议和期刊列表中，AAAI均被列为人工智能领域的A类顶级会议。
该论文研究的是开放动态环境中的在线学习问题。对于这一问题已经有一些相关研究，其基本想法是不要把鸡蛋放在同一个篮子里。面对复杂的环境，一个学习器应付不过来，就同时维护多个候选学习器，根据每个学习器的性能变化不断调整它们的权重，即所谓的“对冲”。于是问题就转换成每个候选学习器的设计，显然它们应该有所区别，如果都一样，维护多个也没意义，所以各个学习器应该引入一些个性化的因素。最常用的策略就是重新启动，赋予各个学习器不同的适应环境的能力，重启频率高的学习器容易适应变化剧烈的环境，而重启频率低的学习器适合变化平缓的环境。
真实的环境变化的频率是无法事先得知的，论文提出了一个巧妙的解决方案：不同学习器的重启频率采用公比为2的等比数列，这样从理论上可以证明，只需维护O(log T)个候选学习器，就能使得无论在哪个时间段，至少有一个候选学习器与采用真实重启频率的学习器性能相仿。至于每个候选学习器，可以采用最优间隔分布学习机，这是近期提出的一个新型统计学习泛型，基于最新的间隔分布理论，拥有强凸、平滑等多种优良的数学性质，可以导出最优的动态遗憾界。最终大量的实验结果也表明了论文所提算法的有效性和高效性，能够很好的应用在环境动态变化的现实问题中。
