- 关于在公平分类和表示中的随机化的力量
在监督和无监督公平机器学习中,公平分类和公平表示学习是两个重要问题。本文研究了在这两个问题中,随机化方法可以最小化由于公平约束引起的准确性损失,并提出了公平分类和公平表示的随机化解决方案,可以获得最优准确性且不引起准确性损失。
- 通过整数优化的张量补全
该研究论文中介绍了一种解决张量完备问题的新算法,通过采用基于凸优化问题和基于规范的张量范数的约束来解决计算能力与信息论采样复杂性之间的矛盾,实现了收敛性和信息论速率。
- 基于袋装正则化的 $k$- 距离异常检测
我们提出了一种新的基于距离的算法 BRDAD,将无监督异常检测问题转化为凸优化问题,并通过减小风险来解决距离算法中超参数选择的敏感性挑战。此外,我们的算法还采用包法来提高处理大规模数据集的效率,理论上证明了算法的快速收敛性,并通过实验证明了 - 概率依赖图推断
对于离散变量的概率依赖图,提出了一种可行的推理算法,通过将其转化为凸优化问题并应用内点方法来达到多项式时间求解,实现优于基准方法的推理效果。
- 极小改动 Markov 游戏以获得任意 Nash 均衡和价值
研究了游戏修改问题,其中一个仁慈的游戏设计者或恶意对手修改了零和马尔可夫博弈的回报函数,使得目标确定性或随机策略配置成为唯一的马尔可夫完美纳什均衡,并且其价值在目标范围内,以最小化修改成本。我们表征了可以作为某个游戏唯一均衡的策略配置集合, - 对抗训练线性回归的正则化性质
最新机器学习模型存在脆弱性,而对抗训练是一种有效方法,本研究着重探究线性模型下的脆弱性,并对对抗训练在线性回归和其他正则化方法中的解决方案进行了比较分析。
- 基于特征的建模:用于超参数化深度神经网络的平均场框架
该研究提出了一种新的均场框架用于超参数化深度神经网络的分析,利用概率分布和在连续极限下的功能来表示 DNN,并通过适当的重新参数化将其训练目标重新表述为凸优化问题,构建了一种称为神经特征流的非线性动力学来捕捉超参数化 DNN 的演化,证明了 - 批量强化学习和控制中的策略污染
本研究针对批量强化学习和控制中的安全威胁进行了探讨,该攻击旨在污染所学策略。案例针对强化学习中的表格确定等价学习器和控制中的线性二次调节器进行了实例化,并表明了两个实例均可实现全局最优解。
- NIPS二次可分解次模函数最小化
本文提出了一种新的凸优化问题 —— 二次可分解子模函数极小化问题,该问题与可分解子模函数极小化问题密切相关,并在许多基于图和超图的学习环境中产生,例如基于图的半监督学习和 PageRank。我们采用了一种新的解决策略,并描述了可以通过随机坐 - 图上快速鲁棒主成分分析
本文提出了一种基于主成分分析(PCA)的解决方案,通过设计凸优化问题来实现对高维数据集的低秩恢复,重点解决了高计算复杂性、非凸性和数据中的大量异常问题,同时经过了 7 组基准数据集的聚类实验和 3 组视频数据集的背景分离实验的测试,结果表明 - 基于张量的多能量计算机断层扫描成像的核范数正则化表达
本文提出一种基于张量的迭代算法,针对能量选择性计算机断层成像(CT)问题,通过设计张量核范数约束器来重建每个能量的 X 射线衰减分布,能够有效应对低能图像噪声的影响。
- 通过凸松弛实现线性模型的鲁棒计算
该论文提出了一种名为 REAPER 的凸优化问题来处理向量值观测数据中的低维子空间和离群值,利用正交投影子空间参数化线性子空间,并使用正交投影子空间的松弛达到凸优化的形式,并提供了 REAPER 的有效算法和数值实验结果的文献。
- MMPAR 感知的大规模多用户 MIMO-OFDM 下行
研究大规模多用户多输入多输出(MU-MIMO)无线系统中基于正交频分复用(OFDM)的下行传输方案,通过解决凸优化问题来实现 MU 预编码、OFDM 调制和峰均比(PAR)降低,从而降低 RF 部件成本。
- 通过核范数最小化保证线性矩阵方程的最小秩解
本文研究了在满足给定的线性等式约束的前提下寻找一个满足最小秩的矩阵的问题,证明在线性变换满足一定的保型性条件下,可以通过解决一个凸优化问题来恢复最小秩解,即在给定仿射空间上,通过最小化核范数来建立几个随机方程整体满足保型性条件,进而将基数最