应对组合分布偏移:基于矩阵补全的视角
提出了一种多项式时间 / 样本复杂度方法来学习离散域上的 $r$ 个离散乘积分布的混合,利用张量分解和矩阵完成方法降低难度,该方法在统计上是一致的,并提供了有限的样本保证。
Nov, 2013
该论文针对低秩矩阵完成算法的理论保证存在严格且近似的情况,可以应用于任何确定性采样计划。通过引入一个图形来解决观察条目的性能问题,论文从理论和实验角度论证了算法的成功性。
Jun, 2023
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
本研究提出了基于代数几何和拟阵理论的新颖代数组合观点,旨在研究矩阵中少数条目之间的关联。该方法的固有局部性可实现对封闭理论和实践框架中的单个条目进行处理。除了介绍低秩矩阵完成的一种代数组合理论之外,我们还提出了决定矩阵特定条目能否完成的算法,描述了从其他少数条目完成该条目的方法,并估计了完成该条目的任何方法所引入的误差。此外,我们还展示了如何将已知的矩阵完成结果及其采样假设与我们的新视角相关联,并解释了它们在可完成性相变方面的解释。
Nov, 2012
基于矩阵的噪声观测,我们构建了一个弹性框架以推断其线性形式,我们提出了一种构建渐近正常估计量的普遍过程,以进行双重样本去偏差和低秩投影,从而允许我们构建线性形式的置信区间并检验假说。
Aug, 2019
本文研究了在低噪声环境下使用 iid 子高斯噪声的归纳矩阵填充问题(带侧面信息的矩阵填充),首次获得了普适性界限,并呈现出标准差与零误差恢复情况下的规模趋近,结果表明:在样本大小趋近于无穷大时,噪声即使存在也会趋近于零,对于侧面信息的固定维度而言,它们只有对矩阵大小的对数依赖性。
Dec, 2022