AAAINov, 2019

带 Oracle 查询的顺序模式估计

PDF
TL;DR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。
pac-learningprobability distributionquery modelsmode-estimation algorithmsquery complexity
发现论文，激发创造
  • 稀疏单指数模型

    本文从稀疏性角度，采用 PAC-Bayesian 方法对单指数模型估计问题进行了研究，在理论上提出了一个更强大的预测界，比单指数恢复的其他常见程序的最佳预测界更强大，利用可逆跳跃马尔可夫链蒙特卡洛技术实现了所提出的方法并将其与标准程序进行了比较。

    Jan, 2011

  • 聚合数据概率分布的测试

    本文研究一种混合模型，用于测试和学习概率分布，提出了双重访问模型和累加双重访问模型，并展示了一些任务即使使用这种模型也很难实现。

    Feb, 2014

  • 间接样本的主动分布学习

    使用间接和序列样本学习离散随机变量 X 的概率分布 P_X 的问题已经在本文中得到研究，其中提出了一种基于几个条件限制的迭代算法，成功地在不同情况下实现了更好的效果比基线方法更好。

    Aug, 2018

  • 应用于 A/B 测试和最佳臂识别的分位数序列估计

    该研究论文提出了一种置信度序列方法，可用于跟踪任何完全排序集合上的分布分位数，同时提供了新的经验分布函数的集中不等式，并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。

    Jun, 2019

  • 具有嘈杂歧义回答的高效查询相关聚类

    我们研究了一个通用的聚类环境，其中我们有 $n$ 个要聚类的元素，并且我们的目标是尽量少地通过一个返回两个元素之间相似度的有噪声样本的预言进行查询。我们提出了在组合多臂赌博机的纯探索范式中根源于在线学习问题的两种新颖公式：固定置信度和固定预算设置。对于这两种设置，我们设计了将采样策略与经典的相关聚类近似算法相结合的算法，并研究了它们的理论保证。我们的结果是第一个针对 NP 困难的离线优化问题情况下 PE-CMAB 的多项式时间算法的示例。

    Feb, 2024

  • 使用丰富观察的 Oracle 有效 PAC RL

    本文研究了 PAC 强化学习在富观察力下的计算复杂度，提出了基于确定性隐藏状态动态和随机富观察的可证明的样本有效算法，同时证明了在具有随机隐藏状态动态的情况下，已知样本有效算法 OLIVE 不能在 Oracle 模型中实现，通过几个示例表明了在这样一般的设置中可计算 PAC 强化学习的根本挑战。

    Mar, 2018

  • 顺序归纳预测区间

    通过使用来自顺序测试理论的观点，本文探索了顺序归纳预测区间的概念，并引入了一个 3 参数 PAC 定义的预测区间，通过模拟实现几乎确定性的边界。

    Dec, 2023

  • 自适应 MCMC 框架针对多峰分布的目标

    提出了一种基于蒙特卡罗方法的采样技术，使用辅助变量设计了自适应方案来实现多模态分布下的本地移动和跳跃移动，并证明了算法的遍历性。

    Dec, 2018

  • 递归 PAC-Bayes：一种在没有信息损失的情况下对顺序先验进行频率论更新的方法

    PAC-Bayesian analysis allows sequential prior updates with no information loss and has significant improvements in empirical evaluation.

    May, 2024

  • 带有部分反馈的模式估计

    利用部分反馈对分布的模态进行估计，我们演示了熵编码如何在弱监督和主动学习中实现最佳信息获取，开发了用于模态识别的粗糙充分统计量，并将强盗算法调整到我们的新环境中。最后，将这些贡献结合到一起，实现了在统计和计算方面高效的解决方案。

    Feb, 2024