- ICML非凸张量补全的不确定性量化:置信区间、异方差性和最优性
研究噪声张量完成中的非凸优化分布和不确定性,利用 Cai 等人 (2019) 提出的两阶段估计算法,表征了这种非凸估计器的分布,进一步构建了有效的和简短的置信区间,揭示了非凸张量完成的统计最优性。
- 非凸区域中恒定步长随机梯度下降的分析:渐近正态性和偏差
本研究探讨了非凸非光滑目标函数中常数步长随机梯度下降算法的渐近正态结果,结果表明只要非凸和非光滑目标函数满足耗散性特性,SGD 算法的迭代平均值就会渐近正态分布,该结果可用于构建对于使用 SGD 算法的非凸问题的置信区间。同时,本文通过对其 - ICML有界随机变量的接近最优置信区间
本研究提供了一种基于 Bentkus 集中结果的近乎最优置信序列,用于解决在线推断中随着样本大小不断增长需要统一有效置信区间的问题,证实这种置信序列在合成覆盖问题和自适应停止算法方面具有优越性。
- 二元回归是否可能进行无分布推断?
研究提供不基于数据分布的置信区间用于二分类回归问题,建立置信区间的下限并构建数据量大小无关的求解方法。
- 随机数值线性代数算法采样估计的渐进分析
本文针对 least-squares 问题,利用渐进分析推导出一般采样估计器的渐近分布,并探讨了如何构建置信区间和假设检验,最后基于该理论提出了两个标准来确定最佳的采样概率分布。
- 无穷时间尺度下强化学习价值函数的统计推断
本文提出了一种基于序列 / 筛选法的行动 - 值状态函数(Q 函数)来推导策略的置信区间以及递归更新估计策略及其价值估计器的 SequentiAl 值评估(SAVE)方法,以构建无限视野设置下策略价值的置信区间。在移动健康研究的数据集上进行 - 差分隐私置信区间
本文提出五种实用的差分隐私算法用于计算正态分布数据的总体均值的置信区间,并将其与以前的工作进行比较,实验结果表明本文算法提供比以前的工作更准确的置信区间。
- 噪声矩阵补全的线性形式的统计推断
基于矩阵的噪声观测,我们构建了一个弹性框架以推断其线性形式,我们提出了一种构建渐近正常估计量的普遍过程,以进行双重样本去偏差和低秩投影,从而允许我们构建线性形式的置信区间并检验假说。
- ICCVMonoLoco: 单目 3D 行人定位与不确定性估计
通过使用 Laplace 分布的损失函数,预测置信区间,设计了一种轻量级前馈神经网络,可以从 2D 人体姿势中预测出 3D 位置和对应的置信区间。该方法不仅在 KITTI 和 nuScenes 数据集上超过了最先进的结果,而且在远处行人的情 - 噪声矩阵补全的推断和不确定性量化
本文提出了一种补偿广泛使用的凸估计器偏差的简单程序,从而实现了对噪声矩阵完成的不确定性和推断,并产生了近乎精确的非渐近分布表征,进而实现了对缺失条目和低秩因子的置信区间的最优构建。
- 通过鞅 CLT 的非渐近速率对随机梯度下降进行正常近似
本文提供了一类可微测试函数的 Polyak-Ruppert 平均随机梯度下降(SGD)收敛到正态随机向量的非渐近速率,其中一个关键的中间步骤是证明一个非渐近鞅中心极限定理。我们使用 Stein 方法和 Lindeberg 的论证以及非渐近分 - 基于自由度调整的 Lasso 去偏
本文研究如何消除 Lasso 在线性模型中的偏差,并构建置信区间,提出一个自由度调整方法,以在各种稀疏度下优化效率。实证结果证明,本方法在大多数情况下具有更高的效率,并提供了一种新的处理密集 $a_0$ 的方法。
- 估计遍历马尔可夫链的混合时间
研究了如何从 1 条路径中估计任意遍历有限状态 Markov 链的混合时间,引入了假谱间隙的概念,并构建了全经验置信区间,将精度优化至多项式依赖的最小稳态概率和假谱间隙。
- 混合鞅方法的再探讨及其在序列检验和置信区间中的应用
本文提出了一种新的偏差不等式,该不等式在多臂赌博模型中采用自适应采样,能够在时间上均匀地适配;利用给定一维指数族中的 Kullback-Leibler 离散度衡量偏差,可以同时考虑几个臂,并且通过构建基于分层先验的混合鞅并相乘这些鞅来获得。 - 基于分位回归的条件众数估计方法
本文提出和分析了一种基于线性分位数回归模型的条件模估计量,并开发了其渐近分布理论。同时构建了分析和子采样法置信区间,并通过蒙特卡洛模拟评估了估计量和置信区间的有限样本性能。最后,将该估计量运用于预测联合循环发电厂数据的净小时电能输出。
- 离散状态空间上的遍历马尔可夫链核的统计估计
本文研究了从一个单一的长序列状态观测中估计离散状态马尔可夫链核参数的统计复杂性。我们表征了(模对数因子而言)在算子无穷范数意义下估计最小化信赖样本复杂度的有限情况,而在可数无限情况下,我们则分析了基于总变差导出的自然逐项方式规范的问题。我们 - 基于学习的模型预测控制用于安全探索
本文提出了一种基于学习的模型预测控制方案,其可以提供可证明的高概率安全保证,并利用正态分布先验的规则性假设来构建可证明准确的置信区间,保证轨迹满足安全约束,通过终端集约束递归地保证每个迭代中存在安全控制动作。在实验中展现了该算法可以用来安全 - 基于配对比较的近似排名
研究在机器学习中,基于两两比较对一组 n 个项目进行排名的问题,提出了一种基于置信区间的活跃排名算法,通过近似排序来减少比较次数。
- 适应线性模型的准确推理
提出了一种 W - 去相关方法用于消除自适应线性回归估计量的偏差,并基于全新的鞅集中极限定理建立了渐近正确的置信区间。该方法旨在应用于多臂赌博机和自回归时间序列等不同自适应数据设置中,并取得了实证上的收益。
- 基于分位数自助法的反向概率加权估计灵敏度分析
本文提出了一种边际灵敏度模型,使用逆概率权重估计器构建置信区间,通过百分位自助法和广义极小 / 极大不等式来将这个难以处理的问题转化为线性分数规划问题,这个方法可以很有效地解决实际问题。