probabilistic inference algorithms for finding the most probable explanation,
the maximum aposteriori hypothesis, and the maximum expected utility and for
updating belief are reformulated as an elimination--type
从基于选择的反馈中最佳项目的识别问题出发,我们提出了一种名为 Nested Elimination(NE)的消除算法,它受到信息论下界所隐含的嵌套结构的启发。NE 在结构上简单且易于实现,并且在样本复杂性方面具有强大的理论保证。特别是,NE 利用了一种创新的消除准则,避免了解决任何复杂的组合优化问题。我们提供了关于 NE 预期样本复杂性的具体实例特定的非渐近界限,并且还显示 NE 实现了高阶最坏情况渐近最优性。最后,来自合成和真实数据的数值实验支持了我们的理论发现。