敏感性猜想的变体
该研究探讨了一种最坏情况的方法来衡量随机系统性能分析中的模型误差敏感性,通过 Kullback-Leibler(KL)散度度量模型误差,并通过优化计算程序来计算最坏情况性能指标,通过创新的微小近似方法,得出了这些程序的最优值渐近展开式,展开式系数可以通过模拟计算,并从最坏情况模型的表示中派生而来,这些表示作为函数不动点方程组的定义。
Mar, 2013
我们扩展了我们在未测量混杂因素下风险比率和差异对比的敏感性分析的先前工作,证明产生的边界仍然是任意锋利的,即实际可达到的。我们使用实际数据说明了边界的可用性。
Jun, 2024
我们提供了一个新的算法框架,用于差分隐私估计一般函数,该框架根据底层数据集的难度进行动态调整。我们构建在先前的工作基础上,通过接近逆过程的数据集,即称为逆敏感性机制的指数机制选择一个输出的范例。我们的框架稍微修改了接近度度量,并提供了稀疏向量技术的简单有效应用。我们打破这个假设,以更自然地处理偏差 - 方差平衡,这也关键地允许我们将方法扩展到无界数据。考虑到这种平衡,我们提供了强有力的直觉和实证验证,表明我们的技术在与底层数据集的距离是非对称的情况下尤为有效。我们以 $O (n)$ 的时间高效实现了这些问题,并通过实验证明我们的技术能够显著改进差分隐私估计。
Nov, 2023
这篇文章介绍了一个基于 Tukey 的因子化方法的框架,可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数,从而实现灵活模型的应用,以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计,同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。
Sep, 2018
本文扩展了贝叶斯网络中敏感性分析的先前工作,通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性,并找到使得当前概率分布受扰动最小的最优解,同时阐述了新技术在开发和调试贝叶斯网络及价值(可靠性)的推理等方面的应用。
Jul, 2012
本文通过研究 n 维立方体图中每个 $(2^{n-1}+1)$- 顶点诱导子图的最大度数,证明了布尔函数的灵敏度和度数之间存在多项式关系,从而解决了一个理论计算机科学中的基础性问题:感度猜想。
Jul, 2019