- 基于最大均值差异(MMD)统计量的集中不等式及其在生成模型中的应用
我们提出了一种均匀集中不等式,用于一类基于最大均值差异(MMD)的估计器的理论分析,特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导
- 有界随机变量有限样本的无分布假设 p - 值
基于 Pelekis, Ramon 和 Wang 引入的有界随机变量的集中不等式,我们构建了一个有效的 p 值。这项工作的动机是在无分布情境中校准预测算法。在某些区域中,超均匀 p 值比 Hoeffding 和 Bentkus 的替代方案更 - MM基于核方法的 Monte Carlo 与 Gibbs 测度:概率采样的保证
核心聚类属于一族确定性定积分方法之一,旨在通过最小化再生核希尔伯特空间(RKHS)上的最坏情况积分误差来实现。本文研究了一种关于定积分节点的联合概率分布,其支撑集趋向于最小化与核心聚类相同的最坏情况误差。我们证明其在最坏情况积分误差的集中不 - 自适应分数的传感式一致推断
条件推断是一种基本且多用途的工具,为许多机器学习任务提供无分布保证。我们考虑转导设置,在该设置中,根据 $m$ 个新点的测试样本做出决策,产生 $m$ 个整合 p 值。我们表明它们的联合分布遵循一个 Pólya 陶壶模型,并为它们的经验分布 - 分配具有未知且随机奖励的可分配资源至武器
本文研究如何分配可分配的可再生资源,提出两种算法设计来达到最优值,同时给出了几种理论分析结果。
- ICML探究多标签学习中宏平均 AUC 的泛化能力
本文旨在理解和解决多标签学习中常用的宏平均(Macro-AUC)评价指标的理论问题。通过对 PASCAL VOC、Yahoo、和 MS COCO 数据集的实验结果和理论分析,发现数据集的类别不平衡是影响宏平均评价指标泛化范围的关键因素,并提 - 均匀稳定算法的更严格界限
这篇论文研究了学习理论中有关稳定算法的泛化界,通过构造一个弱相关随机变量的集中不等式,得到了一般性的集中界,使得上已知的高概率上界的泛化界水平得到了提高。
- 通过 Alekseev 公式的随机逼近浓度界
本文提出了一种新的方法来分析非线性随机近似问题,利用 Alekseev 公式和新的浓度不等式来研究处于 ODE 极限 LASE 附近行为的 SA,得出了一个新的浓度界,该界比其他相关界更紧,并且适用于其他假设不成立的情况。进一步证明了著名的 - Hanson-Wright 不等式和次高斯浓度
该研究通过现代的证明方法展示了 Hanson-Wright 不等式在亚高斯随机变量二次形式中的应用,推导出了亚高斯随机向量浓度不等式,并给出了两个示例,展示了该结果在随机向量和子空间之间的距离浓度和随机和确定矩阵的乘积范数的限制方面的应用。
- 对于鞅的 PAC-Bayes-Bernstein 不等式及其在多臂老虎机中的应用
本文提出了一种基于针对权重平均的集中不等式和重要性加权抽样的数据相关分析工具来分析在有限反馈下学习中的勘探开发(exploration-exploitation)权衡问题,并且通过使用随机多臂赌博机模型进行了实验验证。
- 彩色三角计数和 MapReduce 实现
该论文介绍了一种新的随机算法,可以用于计算图中三角形数量的估计,论文给出了一种专门的不等式来评估估计结果是否准确,最后提供了一个基于 MapReduce 的实现。
- 随机 Hermitian 矩阵之和及 Rudelson 不等式
本文采用 Ahlswede 和 Winter 的技巧,给出 Rudelson 用于随机秩一算子和矩阵求和的关键不等式的一种新的初等证明,并且还证明了具有明确常数的秩一随机矩阵和的集中不等式。
- 独立边随机图中的邻接矩阵和拉普拉斯矩阵的集中度
在随机图中,将边权值视为概率,如果最小期望度数为 ω(ln n),则随机图的邻接矩阵和拉普拉斯矩阵集中于边权为概率的加权图,应用于债券渗透和不均匀随机图问题中,通过引入矩阵 concenetration 和集中不等式得到新的结论。
- 比率类型经验过程的浓度不等式和渐近结果
探讨经验测度的上确界与其真实测度的落差,利用 Talagrand 的集中不等式建立集中不等式,同时应用于非参数统计学和学习理论的问题之中。