# 术语表 英文（统一中文）：解释。共 33 条，服务于本文阅读，不代替正文的精确公式条件。 ## Concept drift（概念漂移） 数据分布随时间变化，使既有模型不再能给出最佳标签；本文用集成方法在不显式检测漂移的前提下应对它。 ## Ensemble learning（集成学习） 把多个模型的推理结果按权重合并为一个联合结果，以提升精度与抗漂移能力。 ## Service provider（服务提供方） 运营机器学习推理服务的一方，在本文中同时充当拍卖人。 ## Model provider（模型提供方） 以竞标者身份出售（提供）模型的一方；提供多个模型者可视为多个虚拟提供方。 ## Auction（拍卖） 本文用重复拍卖决定购买哪些模型并决定支付，以替代直接定价。 ## Truthfulness（真实性） 竞标者不如实报价无法提高自身效用；本文证明其在期望意义下成立。 ## Individual rationality（个体理性） 无论拍卖结果如何，参与者的效用都不会变差，即参与不会吃亏。 ## Vickrey-Clarke-Groves (VCG) auction（VCG 拍卖） 经典的真实性拍卖，但要求精确求解底层社会成本问题；本文用算法 3 替代它。 ## Social cost（社会成本） 服务提供方成本与模型提供方成本之和再加上累计推理损失；支付项在求和时相互抵消。 ## Dynamic regret（动态遗憾） 在线投标成本与逐期离线最优成本之差；本文证明其相对时隙数是次线性的。 ## Dynamic fit（动态拟合） 长期参与约束的累计违反量；本文证明其同样次线性，即长期参与终将满足。 ## Competitive ratio（竞争比） 在线方案的总成本不超过离线最优加最佳单模型损失之和的常数倍；本文给出参数化常数。 ## Online algorithm（在线算法） 输入逐步显现、必须即时决策的算法；本文全部算法均为多项式时间在线算法。 ## Descent-ascent primal-dual step（下降–上升原始–对偶步骤） 原始变量沿梯度下降、对偶变量沿违反量上升的交替更新，是算法 1 的核心。 ## Proximal term（近似项（正则项）） 把长期约束吸收进目标函数时加入的二次项，用以稳定在线解；本文用 1/(2γ) 的系数。 ## Randomized rounding（随机舍入） 把分数决策按概率转换为 0/1 整数决策，且保持期望不变、不破坏剩余约束。 ## Lazy switch（懒惰切换） 只有在切换成本确实低于继续托管的累计成本时才改变托管决策，避免频繁切换。 ## Hedge algorithm（Hedge 算法） 按指数方式更新专家权重的经典在线学习算法；算法 5 用它更新集成权重。 ## Inference loss（推理损失） 联合推理结果与真实标签之间的损失；本文采用平方损失。 ## Hosting cost（托管成本） 把模型留在本地设施所产生的资源与能耗成本，按时间持续发生。 ## Downloading cost（下载成本） 从模型提供方下载模型的流量与时延成本，仅在模型换代或首次部署时发生。 ## Switching cost（切换成本） 因改变托管决策而重新下载模型所产生的成本；它把相邻时隙耦合在一起。 ## Participation threshold（参与阈值） 符号 φ_n；要求提供方在全部 T 场拍卖中至少获胜 T·φ_n 次，否则可能永久退出。 ## Bid selection（投标选择） 决定哪些投标获胜；本文先用分数算法求解，再随机舍入为整数。 ## Payment allocation（支付分配） 决定向每个获胜投标支付多少；本文用“实际决策”与“替代决策”之差构造支付。 ## Time slot（时隙） 决策的时间单位，符号 t；数据样本在各时隙内到达。 ## Data stream（数据流） 持续到达的数据样本序列；本文要求在其上在线完成推理与学习。 ## Online mirror descent (OMD)（在线镜像下降） 一类在线凸优化方法；本文指出其变体往往无法同时刻画切换成本与长期参与。 ## Lagrange multiplier（拉格朗日乘子） 符号 λ^t；对偶变量，用于把约束放入拉格朗日函数并在算法 1 中上升更新。 ## NP-hard（NP 难） 忽略部分项后本文问题退化为最小成本背包问题，因此是 NP 难的。 ## Offline optimum（离线最优） 在事先已知全部输入时可达到的最优成本；在线算法以它为比较基准。 ## DTEL+（DTEL+） 本文对照的前沿方法之一（基于深度强化学习的集成学习方案）。 ## DES+（DES+） 本文对照的前沿方法之一（动态集成选择方案）。