- 用于排序治疗效果的元学习
通过学习排名的方法,我们提出了一种在预算约束下有效分配治疗的方法,并验证了其在合成和真实数据上的有效性。
- 混淆预算因果强化学习
我们研究了在由基础因果图模拟的随机环境中学习 ' 好的 ' 干预的问题,其中 ' 好的 ' 干预是指最大化奖励的干预,在预定的预算限制下考虑非均匀成本的干预,我们提出了一种算法以在一般因果图中最小化累积遗憾,并开发了一种算法以在预算设置下最 - 语言模型集成的质量 - 成本优化的双目标 ε 约束框架
我们提出了一个集成框架,利用多样化的开源大型语言模型(LLM)在保持成本效益的同时实现高质量的响应。我们提出了一个双目标优化问题来表示质量 - 成本的权衡,并引入了一个附加的预算约束,将问题简化为一个直观的 0/1 背包问题。我们通过实证研 - 三重单纯形矩阵补全用于费用预测
提出一种受限非负矩阵完成模型,通过学习项目与潜在空间中某些费用模式的相关性概率,预测费用,并且保证预测的费用值满足预算约束,无需后处理。通过对关联优化问题的不精确交替优化算法求解,证明其收敛于稳定点。两个真实数据集的结果表明该方法比现有算法 - 基于在线拍卖的在预算限制下的水平联合学习激励机制设计
在水平联邦学习中,作者提出一种基于逆拍卖的在线激励机制,以实现更高质量的模型,并证明该机制可满足多项性质。
- ICLRChipNet:基于 Heaviside 连续逼近的预算感知剪枝
该研究提出了一种新的决策修剪策略 ChipNet,通过连续 Heaviside 函数和新的清晰度损失对现有的密集神经网络进行优化,实现高度的稀疏度,并且具有适应不同预算约束的灵活设计。实验证明,ChipNet 在准确性方面比最先进的结构修剪 - FrugalML:如何更准确便宜地使用 ML 预测 API
FrugalML 提出了一种基于机器学习 API 的预测的经济优化框架,能够自动识别可获得的 API 中最优的顺序策略,并在预算约束下实现高准确性和成本效益。
- AAAI基于随机累积约束的在线 DR 子模最大化
本研究考虑了在线连续 DR-submodular 最大化问题,采用了随机线性长期约束,并提出了在线 Lagrangian Frank-Wolfe(OLFW)算法来解决这类问题,得到了期望和高概率下的次线性后悔上限和次线性约束违规上限。
- 具有多次游戏和预算限制的多臂赌博机
研究多臂赌博问题下的多次试验和预算约束的拓展,提出上置信区间和 Exp3 算法的具体实现及其性能分析。
- 对称次模目标的预算可行机制设计
本文研究了一类采购拍卖问题,涉及到预算约束和非单调子模价值函数。我们提出了可行的机制来最大化拍卖者的估值函数,同时也满足诚实、可行和近似最优的要求,本文所提机制在增加了预算约束的条件下,显著改进了以往的方法。其中以最大割问题为重点,在此问题 - 针对呈递衰减收益的格子子模函数进行的优化减少
该研究论文介绍了 DR-submodular 函数以及其最大化问题,给出了从 DR-submodular 方程到 submodular 方程的通用约简方式,并将前者的结果转化为后者,使其适用于许多类型的限制约束。
- NIPS有限预算下点子模函数的自适应最大化
研究了具有预算约束的最坏情况自适应优化问题,证明了具有点位置次模性和点位置成本敏感次模性的效用函数的两个简单贪心算法不是近似最优的,但其中最优的贪心算法是近似最优的,可以用于解决有限预算下的主动学习问题。
- MM通过主动数据采购实现低成本学习
本研究致力于设计在线数据采购机制,旨在使代理人能够通过使用过去的数据主动定价以购买未来的数据,同时即使代理人透露数据的成本取决于数据本身,也能给出学习保证。我们的算法和分析是构建在无悔学习模型上的,具备基于预算约束条件下的风险控制保证,且使 - 廉价而更好:众包选择好工作者
本文研究如何在预算限制下,选择优质工人子集以达到最大准确性,并通过组合优化算法解决此问题,证明该算法能够有效地选择少数高质量工人,并在模拟和实际数据集上表现良好。
- WWW广泛匹配广告拍卖中的竞标优化
通过广泛匹配和线性规划算法优化 <b> 赞助搜索广告拍卖 </b> 中的投标策略,以最大化广告主的收益并解决了在广泛匹配特性下投标策略优化的问题。