- KDD在边缘流上计算图描述符
通过使用流算法近似计算三种不同的图表述,避免将整个图存储在内存中,并控制样本大小,使我们能够将算法运行时间保持在所需的范围内,并通过分析逼近误差和分类准确度证明所提出的描述符的功效。
- 随机特征和核方法的泛化误差:超收缩和核矩阵集中
研究了在高维情况下,使用随机特征与岭回归相结合的方法在特征空间中实现核 Ridge 回归的近似,证明了欠拟合比过拟合更容易避免,展示了在满足特定谱条件和某些特征向量的超收缩性假设的情况下,所得到的错误随着自由参数的增加呈幂律下降的规律。
- 卷积神经网络的谐分解
使用再生核 Hilbert 空间的机器,描述卷积网络的函数空间和光滑性,研究了卷积网络的函数分解和统计界限,并突出显示了逼近误差和估计误差之间的有趣权衡。
- Taylorized 训练:有限宽度神经网络训练更好的逼近
提出 “Taylorized training” 这一方式以更好地理解有限宽度下神经网络训练的特点,该方法包括在初始状态下培训神经网络的 k 阶泰勒展开,并是线性化训练的有原则的扩展,并通过在现代神经网络结构上尝试 Taylorized t - 光滑函数的深度网络逼近
本文研究了深度修正线性单元网络关于宽度和深度同时逼近平滑函数的最优逼近误差特性,并且证明了多元多项式可以被宽度为 O(N)和深度为 O(L)的深 ReLUNetwork 逼近,而且证明了具有 O(N lnN)宽度和 O(L lnL)深度的深 - 用于大规模 MIMO 系统的深度学习辅助禁忌搜索检测
本文采用深度学习底底的禁忌搜索检测,提出了快速收敛稀疏连接检测网络(FS-Net),并基于其实现适应性提前终止算法和修改搜索过程,以实现较好性能,并达到约 90%的复杂度降低。
- KDD常数时间图神经网络
本文介绍一种新型的节点采样方案,可以将图神经网络扩展到大规模网络中,同时保证了理论上的误差,并通过实验验证了该方案的速度和准确性。
- CVPR鲁棒的视觉惯性融合中的样条误差加权
提出了一种概率加权的方法来平衡样条拟合中不同类型的残差,并综合考虑了样条拟合的近似误差的预测。利用该方法可以估计一般第一人称视频的具有度量尺度的 3D 结构,并提出了一种质量度量标准来自动选择节点间隔,验证结果显示该方法可以最小化估计误差。
- ReLU 和 ReLU 平方岭函数的线性组合逼近及 $l^1$ 和 $l^0$ 控制
本研究使用 Jones-Barron 概率方法建立了由 ReLU 和 ReLU ridge 函数组成的函数在 L∞和 L² 意义下的误差估计,我们证明了当内层的 L0 稀疏度为 L2 逆比例时,外层只需要是次线性的 L0 稀疏度即可,而我们 - 线性时间的低秩矩阵近似
给定一个矩阵,提出了一个线性时间复杂度算法计算其 k 秩矩阵,达到了乘性近似,误差满足 (1+ϵ) 最小误差。
- Weierstrass 取样器实现 MCMC 并行化
本文提出了一种基于独立子集的并行 MCMC 新方法 ——Weierstrass 采样器,通过独立子集 MCMC 链的后验绘制组合来逼近完整数据后验绘制,从而提高计算效率,并通过模拟研究表明,Weierstrass 采样器与其他各种用于组合子 - 具有离散单元的窄信念网络的通用逼近深度和错误
本文研究了底层深度置信网络的最小层数,可以逼近任意概率分布,包括离散限制玻尔兹曼机和朴素贝叶斯模型,并考虑了有限状态空间和逼近误差容限为任意值等条件。
- 一阶 MDP 的近似线性规划
本文提出了一种基于线性规划的解决方法,通过将价值函数在一组一阶基函数的线性表示中计算适当的权值,解决了一阶马尔科夫决策过程中与特定领域实例无关的解决方案。并将该解决方法应用于电梯调度方面,具有丰富的特征空间和多标准加性奖励,证明了其优于许多 - 量子数据拟合
提供一种新的量子算法,通过基于解决线性方程组的有效算法(Harrow et al. Phys. Rev. Lett. 103, 150502(2009))来高效确定指数级数据集上最小二乘拟合的质量。在许多情况下,我们的算法还可以高效地找到简 - Nystrom 方法的改进界限及其在核分类中的应用
这篇文章研究了用 Nyström 方法来进行核矩阵近似时的误差边界,着重介绍了基于积分算子浓度不等式和压缩感知理论的两种方法,通过改善误差边界,使得在大本征间隔下,使用 Nyström 方法进行核分类时可以显著减少支持向量的数量,并且不严重 - 高阶乱数数字网对于平滑可积函数得到根均方误差最优率
本文介绍了一种新的随机快速蒙特卡洛采样算法,在强假设下,对于具有平方可积混合偏导数的积分被证明其可获得适当的精度;文中提出的算法数值示例 RMSE 呈 $N^{-5/2}$ 和 $N^{-7/2}$ 的收敛,符合理论上界。
- 随机矩阵逼近方案的误差界
本文研究了在多种范数下,通过稀疏随机矩阵 X 逼近实数矩阵 A 的问题,其中包括了图算法中更适用的 $(\infty,1)$ 范数和 $(\infty,2)$ 范数。文章提出的界限适用于大多数随机稀疏化模式,证明了 $(\infty,1)$