在标准访问模型和条件访问模型中,当测试算法的内存受到限制时,我们研究分布测试。我们提供了一个样本复杂性和空间复杂性之间的权衡,用于在根据条件访问预言进行抽样时测试身份。我们还展示了我们可以有效地学习具有几乎最优的样本存储限制的单调分布的简洁表示。此外,我们还展示了单调分布的算法可以扩展到更大的可分解分布类。
Sep, 2023
探究在高维情况下对分类器的精度验证,证明一种基于排列组合的测试方法具有连续性及德克斯特拉极限分布的高斯近似测试也具有连续性,并以高斯分布为例进一步研究了线性判别分析和 Hotelling's 测试等方法的功率。
Feb, 2016
在学习分布转移的基本问题中,我们提出了一个新模型,称为可测试学习,可以通过一个相关的测试来得到分类器在测试分布上的性能证明,并证明了对于一些常见概念类别如半空间、半空间的交、决策树等,以及具有低次 $L_2$- 夹逼多项式逼近器的任何函数类别都可以在这个模型下学习。
Nov, 2023
研究了高斯分布下对于无偏学习任务的查询访问权限的能力。聚焦于多指数模型(MIMs),研究表明查询访问权限在无偏学习 MIMs 方面相对于随机样本具有显著的运行时改进作用。
Dec, 2023
研究了分布检测的样本测试的复杂度问题,提出了两种技术方法,一种是提供样本最优测试器,另一种是提供匹配样本下界。作者解决了大量重要的测试问题并证明了样本最优性,并且得到了第一个样本最优的对应测试器。
Jan, 2016
该论文研究了多分配学习范式的最优样本复杂度,并给出了符合最优样本复杂度的算法。其中,他们的样本复杂度界限超过了仅学习单个分布的学习的样本复杂度。
Oct, 2022
本研究针对分布测试问题,考虑使用本地差分隐私机制时的样本,并着重研究离散分布的两个代表性测试问题:完全匹配性检验和独立性检验。我们提出了基于 RAPTOR 和 RAPPOR 等机制的测试,并分析了它们的样本复杂度,我们的算法利用的是公共硬币且样本最优。
Aug, 2018
基于模拟的推断方法需要准确建模 p 值函数或测试统计量的累积分布函数,通过使用神经网络模型近似采样分布以建模一维条件采样分布,从而提供可行的概率密度比方法的替代方案。
May, 2024
研究总变差距离下的离散分布测试问题,提出可用于样本较高概率区域的属性测试的算法,包括相应参数的样本复杂度与正确性保障。
Sep, 2020
该文考虑通过查询样本序列来自适应地确定概率分布 P 的模式,涵盖了两种不同的查询模型,并给出了所有查询复杂度的算法和理论下界。
Nov, 2019