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

本论文给出了学习任意单指标模型的全新结果，其中所需的激活函数参数满足 Lipschitz 范数和单调性，算法及分析基于 Bregman 距离和匹配损失的联系，同时也对 GLMtron 和逻辑回归等算法在普遍学习场景给出了新的保证。

Jun, 2023

单指标模型是高维回归问题，根据未知的一维投影通过非线性、潜在非确定性的变换，标签与输入相关，涵盖了广泛的统计推断任务，提供了在高维领域研究统计和计算权衡的丰富模版。我们证明了在统计查询（SQ）和低次多项式（LDP）框架内计算高效算法所需的样本复杂度最低为 Ω(d^k/2)，其中 k 是与模型关联的 “生成” 指数，我们明确定义了这个指数。此外，通过使用部分跟踪算法建立的匹配上界证明了这个样本复杂度也是充分的。因此，我们的结果表明，在 SQ 和 LDP 类中，只要 k>2，计算与统计之间存在明显的差距。为了完成这个研究，我们提供了具有任意大生成指数 k 的平滑和 Lipschitz 确定的目标函数的示例。

Mar, 2024

我们展示了如何通过将边际杠杆得分抽样与促进空间覆盖的非独立抽样策略相结合，从而在不知情（对抗性噪声）设置中获得改进的主动学习方法。我们提出了一个简单实现的基于关键抽样算法的方法，并在基于学习的参数化 PDEs 和不确定性量化的问题上进行了测试。与独立抽样相比，我们的方法将达到给定目标精度所需的样本数量减少了最多 50％。我们用两个理论结果支持了我们的发现。首先，我们证明了任何满足弱单向的离散 l∞独立条件（其中包括关键抽样）的非独立杠杆得分抽样方法可以以 O (dlogd) 的样本主动学习 d 维线性函数，与独立抽样相匹配。这个结果扩展了最近关于 l∞独立性下矩阵 Chernoff 界的工作，并可能对分析关键抽样之外的其他抽样策略感兴趣。其次，我们证明了对于多项式回归的重要案例，我们的关键方法获得了 O (d) 的改进界。

Oct, 2023

在罚函数为 $L_2^2$ 的超验模型中，我们研究了学习单指数模型的问题，并提出了一种高效的学习算法，它在一系列分布和广泛类别的单调和 Lipschitz 链函数下，能够以常数因子逼近最优损失。这是第一个高效的常数因子逼近超验学习器，甚至适用于高斯数据和任何非平凡的链函数类别。我们算法与分析的主要技术要素是优化中的一种新概念，我们称之为对齐锐度，这可能具有更广泛的兴趣。

Feb, 2024

本论文提出了一种用于多组学习的主动学习算法，以最小化标签查询数并保持 PAC 学习保证，其中包括分类准确度，标签查询和不一致系数等关键词。

Jun, 2023

针对给定的二元假设类和分布，该研究提出了一种与最优算法相竞争的无偏主动学习算法，该算法在错误率为 η 的情况下只需要 O (m^* log |H|) 的查询次数，并且证明了超越 O (log |H|) 的开销是 NP 难的。

Oct, 2023

本研究提出了一种方法，通过减小样本复杂度，提高了各种曲线拟合问题包括线性回归、多项式回归和连续稀疏傅里叶变换的活性学习中的解的精度。

Nov, 2017

我们提出了一种一次性主动学习方法，通过使用不同的网络骨干提取同一数据集的不同表示形式，并通过 l_p 回归表达式主动学习每个表示形式上的线性预测层，在 11 个基准测试上取得了与多目标模型的最先进主动学习方法相媲美的性能。

May, 2024

本文研究在高斯分布下学习单指标模型 σ(w⁎・x)，以及学习该模型时信息指数 k * 的影响，论文提出了利用平滑误差函数与在线随机梯度下降等方法，减少样本数对模型的学习。

May, 2023