本文章思考最新證明的後悔界，要如何讓審稿人容易理解。
思考#1：用問題零件，讓後悔界可讀
我覺得可以用幾個分類，來把相關的Term給仔細描述。
我覺得分別從3個角度(beta, x, epsilon)出發，會讓讀者更容易消化裡面的內容。


閱讀書評

職場產業

創作

思考#1：用問題零件，讓後悔界可讀

<div class="draft--imgNormal draft-block"><div><div style="height:1200px" class="image-block-prerender" data-src="https://images.vocus.cc/3ab18504-1690-4923-bf37-9a7d76e362a1.jpg" data-width="1200" data-height="800" data-position="center"></div><figcaption class="imageCaption draft-block" style="cursor:text;display:block">圖片來源：https://www.vox.com/vox-conversations-podcast/23020287/vox-conversations-daniel-pink-the-power-of-regret</figcaption></div></div>
<div class="draft-block draft--p left"></div>
<div class="draft-block draft--p left">本文章思考最新證明的後悔界，要如何讓審稿人容易理解。</div>
<h2 class="draft-block draft--h2" name="header-8cne2">思考#1：用問題零件，讓後悔界可讀</h2>
<div class="draft-block draft--p left">我覺得可以用幾個分類，來把相關的Term給仔細描述。</div>
<div class="draft-block draft--p left">我覺得分別從3個角度(beta, x, epsilon)出發，會讓讀者更容易消化裡面的內容。</div>
<ol>
  <li class="draft-block draft--li">Problem Instance：稀疏係數，脈絡向量維度，決策地平線。</li>
  <li class="draft-block draft--li">Noise distribution：密度與密度微分界，偏度(skewness)，扁度(Flatness)</li>
  <li class="draft-block draft--li">Decision context sequence：共變矩陣最大特徵值，共變矩陣最大對角元，限制特徵值常數。</li>
</ol>

圖片來源：https://www.vox.com/vox-conversations-podcast/23020287/vox-conversations-daniel-pink-the-power-of-regret

本文章思考最新證明的後悔界，要如何讓審稿人容易理解。

我覺得可以用幾個分類，來把相關的Term給仔細描述。

我覺得分別從3個角度(beta, x, epsilon)出發，會讓讀者更容易消化裡面的內容。

Problem Instance：稀疏係數，脈絡向量維度，決策地平線。

Noise distribution：密度與密度微分界，偏度(skewness)，扁度(Flatness)

Decision context sequence：共變矩陣最大特徵值，共變矩陣最大對角元，限制特徵值常數。

我對OORMLP後悔界的一個思考：用問題零件，讓後悔界可讀

本篇文章想分享給你，我再次閱讀高維度動態定價後，針對市場噪音分佈(Market Noise Distribution)相關論點，所整理的理解與思考。
文章中對市場噪音分佈的知識層度分級，分別提出相對應的策略。其層級與對應的策略如下：
思考#1：市場噪音分佈，決定選擇模型，進而描述用戶購買行為
