Jun, 2015

从海量数据中发现有价值的物品

PDF
TL;DR本文提出一种基于核函数、高斯过程预测和子模函数的算法 GP-Select，用于在考虑物品相似性和利用率的基础上从一个成本累计预算中选出最大价值的子集以及同时具有高效和多样性并将其应用于三个真实世界的案例，并在无需逼近的情况下，通过利用模型更新的结构实现了数量级上至多 40 倍的加速。
gp-selectkernel functiongaussian process predictionsubmodular functiondiverse
发现论文，激发创造
  • 分布式基于配对次模函数的大于内存子集选择

    通过提出一种新颖的分布式界限算法，并使用多轮基于分区的分布式贪心算法，此论文解决了子集选择问题，能够在没有或极小损失质量的情况下，找到高质量的子集。

    Feb, 2024

  • 使用高斯过程在 Bandit 环境下进行最优化估计

    本文研究了一种直接利用未知函数 argmax 估计值的优化策略，并与 GP-UCB 和 GP-PI 策略建立了紧密联系。该方法的自动适应调整探索和利用的权衡，在机器人和视觉任务的广泛实证评估中表现出鲁棒性，通过性能 - 遗憾的界限说明了自适应调整的效果。

    Oct, 2015

  • 高维高斯过程的联合优化与变量选择

    本文利用高维高斯过程模型，结合变量选择和优化，解决了高维、非凸函数的优化问题，并提供了相关性能保证和实证研究结果。

    Jun, 2012

  • 分布式子模最大化

    本文提出了一种适用于分布式计算的子模函数最大化方法 GreeDi，该方法可在 MapReduce 框架下实现，初步实验表明该方法可应用于大规模机器学习任务中的子模优化问题，如稀疏高斯过程推断和样例聚类等问题，且在一定的自然条件下，可以达到接近于传统集中式计算模式下的性能表现。

    Nov, 2014

  • 自适应离散化高斯过程赌博机

    本文基于高斯过程在贝叶斯框架下研究了最大化黑盒函数的问题，并提出了一种新的算法以及其简单和累计的概率界，并在此基础上针对上下文型的赌博机问题提出了算法推广方案。

    Dec, 2017

  • 寻找一组共同的物品：从比例多重表示到团体推荐

    本文研究一个将物品和代理人联系起来的问题，即在代理人对物品有固定的内在效用的情况下，如何以一定的规则选择物品，以便最大化所有代理人共同获得的总效用。虽然实际效用只是内在效用的一部分，但该效用率取决于代理人对选择物品的排名，我们提供了一个形式化的模型规范，并给出了具体的适用范例及其自然特例的可行性结果。

    Feb, 2014

  • 高斯过程赌博优化中的勘探 - 开发权衡并行化

    该论文研究了如何在贝叶斯全局优化中利用并行算法解决多臂赌博问题，提出了基于高斯过程的 GP-BUCB 算法，证明了与串行方法相比，该算法的累积遗憾仅增加一个独立于批量的常数因子，并在两个真实世界应用中展示了其有效性。

    Jun, 2012

  • 赌赢型高斯过程优化：无悔与实验设计

    通过多臂赌博机问题和高斯过程来解决在优化一个未知、嘈杂及难以评估的函数的问题。我们在这个问题上得到了遗憾界，建立了高斯过程优化和实验设计之间的联系。通过实验，我们证明了 GP-UCB 可以优于其他启发式高斯过程优化方法。

    Dec, 2009

  • 从数据流中公平且代表性地选择子集

    本研究旨在探究在数据流中从每个数据组中提取一定数量的代表项目的问题，并提出了一种公正的约束模型和有效的解决方案。该解决方案在最大化覆盖面和个性化推荐方面具有实际应用和较高的性能。

    Oct, 2020

  • 子模遇上谱：子集选择、稀疏逼近和字典选择的贪心算法

    本研究通过分析子模函数的最大化和谱分析的见解，引入了子模性比率作为一种关键性质，研究了从大量随机变量中选择 k 个变量的问题，以实现对另一个感兴趣的变量的最佳线性预测，取得了这个问题方面最强的现有近似保证，并运用了该技术进行了实验和分析。

    Feb, 2011