- 带正则化最小二乘的分布式学习
使用分布式学习和最小二乘正则化方案,在再生核希尔伯特空间(RKHS)中对分块数据子集应用最小二乘正则化方案生成输出函数,以其平均值作为全局估计器或预测器,具有良好的 $L^2$ 度量和 RKHS 度量误差界限。在我们的积分算子方法中,通过运 - AAAI有界最优探索在 MDP 中的应用
本文提出简单算法来解决在短期内实现理论驱动的探索方法和实际需求之间的纠葛,并通过理论分析和数字示例展示所提出的放宽条件的好处,同时维持任何时候的误差边界和平均损失边界,并且适用于贝叶斯和非贝叶斯方法。
- 结构凸优化问题误差界的统一方法
本文针对结构化凸优化问题,建立一个新的错误边界框架,并对常见的错误边界结果进行统一和透明的证明,此外,将其应用于核范数正则化损失最小化问题,并在严格补充型条件下建立了新的错误边界。
- 从误差界到凸函数的一阶下降方法复杂度
本文提出了一种基于误差界的方法,通过与 Kurdyka-Łojasiewicz 不等式的相互作用和设计一维最坏情况的近似方法,分析了针对凸约束问题的首阶下降方法的复杂度。
- 稀疏图的私有图汇估计
本文提出了一种基于节点差分隐私的非参数块模型逼近算法,可以保护个体成员隐私信息而又能在保证正确性的前提下对高维稀疏网络的多路径割进行估算,并给出了误差界限。
- 离散点过程的快速混合
本文研究用于离散点过程的快速混合马尔可夫链蒙特卡罗采样的系统设计机制,探究了设置条件和误差限制的方法,提出了如何使用 Hessian 量来控制分解信息量,指出如果使用自然的相关性衰减概念,可以使用快速混合的 MCMC 方法导出较小的误差上限 - 非强凸函数的线性收敛离点条件梯度法
本研究利用简单的对偶算法和相应的误差边界提供了一种新的算法和分析,可以在紧凑型多面体集上最小化一个包含线性和强凸函数和线性转换组合的函数,同时具有线性收敛速度和附加线性项,允许通过条件梯度方法求解。
- 具有保证的改进实用矩阵草图
本研究对大规模数据分析中矩阵表示及其压缩方法进行了分类和比较,尝试通过优化压缩方法,在保证错误界限的同时实现大小和时间的双重优化。
- 关于核学习的复杂性
本文主要研究降低核矩阵计算成本的方法,并针对观测的核矩阵条目数或近似核矩阵的秩,确定这些方法在错误达到下限的条件。研究结果表明损失函数,正则化参数,期望预测器的范数和核矩阵秩等参数与问题难度有关,同时提出了更高效的核学习可能的情况。
- 一个贝叶斯一致的 1-NN 分类器
通过简单修改最近邻分类器,我们展示了一个强 Bayes 一致的学习器,优于 k-NN 分类器,并在限制样本大小和算法时间方面具有较大的优势,获得了令人鼓舞的实验结果。
- 通过列选择进行 SPSD 矩阵近似:理论、算法和扩展
本文针对正半定矩阵逼近的问题进行研究,提出了一个原型模型并建立了相应的错误边界,该模型具有更高的可扩展性和有效性。同时,本文提出了新的理论分析、高效算法和更为精确的扩展方法,并通过降低误差边界、改进现有的列选择算法,开发一种简单的选择算法, - 在强化学习中选择近似最优的状态表示
本文研究了一种强化学习设置,其中学习者没有显式访问底层马尔可夫决策过程(MDP)的状态,而是可以访问将过去互动的历史映射到状态的多个模型,并改进了这种设置下已知的后悔边界,并更重要的是对给定给学习者的模型不包含 MDP 表示而只包含其近似的 - 传导式 Rademacher 复杂度及其应用
利用转导 Rademacher 复杂度及其 Error bounds 技术,借助新型的算法误差求解及算法刻画技术,得出三个已知的算法误差边界并针对混合转导算法提出新的 PAC-Bayesian 边界。