关键词adaptive submodularity
搜索结果 - 6
- 自适应次模覆盖问题的贪婪近似比的下界
贪婪算法的自适应子模块覆盖近似比率至少为 1.3 *(1 + ln Q),这篇论文否定了 Golovin-Krause 在 `` 自适应子模块性:主动学习和随机优化的新方法 '' 中宣称相同算法具有(1 + ln Q)^2 近似比率的先前结 - 高效在线决策树学习与主动特征获取
提出一种基于主动规划神经网络的在线决策树构建方法,利用自适应子模性来选择获取具有最小代价的特征值,通过后验采样算法降低在线预测误差,对各种现实世界中的数据集进行了广泛的实验,并在概念漂移的情况下展示其有效性和灵活性。
- 自适应子模性中的适应性
本文提出了半自适应策略,用于最大化自适应单调次模函数,能够实现几乎完美的近似保证,并将自适应次模最大化策略的适应性差距缩小了指数级别。
- 带有相关且嘈杂测试的近乎最优贝叶斯主动学习
这篇论文提出了 ECED 算法,实现了贝叶斯主动学习和实验设计问题,并针对有条件相关性的测试结果进行了探索,通过优化代理目标函数中的测试输入来实现在相关噪声测试中的最优界限。
- MM带噪声观测的近最优贝叶斯主动学习
我们提出了 EC2 这个新的、贪心的主动学习算法,并证明了它与最优策略相竞争,因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质,称为自适应子模性,将子模集函数的经典概念推广到适应策略中。
- 自适应次模性:主动学习和随机优化中的理论和应用
本文提出自适应子模性的概念,将子模集函数推广到自适应策略,并使用自适应贪心算法解决具有不确定性结果的随机优化问题,通过使用懒惰评估方法显著加快了算法。通过提供子模目标的几个示例,包括传感器放置,病毒营销和主动学习,证明了自适应子模性的实用性