非交互式联合分布模拟的可决定性
该研究利用高斯几何和新的平滑策略,证明了对于任何有限字母表,可以在没有交互的情况下模拟 Alice 和 Bob 的分布 Q,这解决了一个关于信息论的基本问题。
Jan, 2017
研究了一个关于 “simulate-and-infer” 的通信受限问题,在只要求每个参与者发送少于 log k 比特给中央仲裁者的情况下,寻找利用最少的参与者,对未知概率分布进行推断的最优策略,表明了 simulate-and-infer 策略是最优采样复杂度的,并提出了一个有效的公共硬币通信协议,可以突破身份测试的通信复杂度下界。
Apr, 2018
我们研究了局部差分隐私约束下的假设选择问题,设计了一种使用较少样本的 ε- 局部差分隐私算法来选择假设,该算法的样本复杂度趋近于最优,并且通过定义关键查询的概念为统计查询算法提供了一种新的方法。
Dec, 2023
在非独立同分布的样本情况下,研究子线性样本属性测试和估计在哪些情形适用;给定一组分布,考虑学习或测试平均分布的属性,在某些情况下需要 $\Theta (k/\varepsilon^2)$ 样本;对于均匀性或相似性的测试,给定 $c=1$ 个样本,需要线性数量级的 $k$ 样本;$c \geq 2$ 时,恢复了独立同分布的亚线性样本测试,需要 $O (\sqrt {k}/\varepsilon^2 + 1/\varepsilon^4)$ 样本,且在 $c=2$ 的情况下,即使是线性数量级的 $\rho k$ 样本,也不能进行均匀性测试。
Nov, 2023
本研究探讨了几种采样方法,这些方法可收敛到启发式联合选择概率矩阵,满足玩家的偏好,从而显著降低了计算成本和保密性问题。特别地,我们通过光子的量子干涉介绍了两种无冲突联合抽样方法,第一个系统允许玩家在具有相同偏好时隐藏其选择,第二个系统则通过信任的第三方假设遮蔽了玩家的选择。
Aug, 2022
本文比较了传统和量子学习者在 Probably Approximately Correct (PAC) 框架下的生成模型能力,并构造了一类离散概率分布,通过决策 Diffie-Hellman 假设证明传统生成模型算法无法高效 PAC 学习,但我们构建了一个高效的量子学习器。同时,本文还讨论了证明经典生成建模难度结果的技术,以及布尔函数和离散概率分布的 PAC 学习性之间的关系。
Jul, 2020