关键词machine learning problems
搜索结果 - 5
- 隐私保护的分布式优化与学习
分布式优化和学习中的隐私保护方法进行了综述,介绍了密码学、差分隐私等技术,并提出利用差分隐私算法来确保隐私和优化准确性,在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。
- 有限秩核岭回归的测试误差的理论分析
对于任何有限秩核岭回归 (KRR),我们导出了尖锐的非渐近上下界来衡量其测试误差,并与之前的结果相比,我们的界限更紧密且适用于任何正则化参数。
- 贝叶斯 / 信息论偏差学习模型
本文从贝叶斯角度探讨了在相关任务环境下学习适当的偏差问题,并展示了环境的概念是自然地模拟了任务的目标先验分布。本文论证了对于许多常见的机器学习问题,虽然我们不知道问题的真正(客观)先验分布,但我们可以对真正的先验分布可能属于的一组可能的先验 - 做更少,得更多:带子采样的流式子模最大化
该论文提出了首个一次遍历的流算法,用于求解子模最大化问题,采用数据采样,能够在各种情况下获得最紧密的逼近保证,同时具有最小的内存占用和对函数评估数量的最低要求,试验表明该算法在进行大规模机器学习问题的子模最大化时能够将其表现提高 50 倍以 - 硬件神经形态计算和神经网络概览
本文首先回顾了神经形态计算的动机和驱动力,然后讨论了该领域的主要研究方向,包括神经启发式模型、算法和学习方法、硬件和设备、支持系统以及应用,并给出了未来研究的主要方向和目标。