- 非单调子模型最大化在线性查询复杂度下的增强确定性近似算法
在本研究中,我们考虑了基于背包约束的子模型最大化问题,该问题涉及大小为 n 的总体。我们将最快确定性算法的近似因子从 6+ε 改进为 5+ε,同时保持了 O (n) 的最佳查询复杂度。我们的技术是基于两个组件的性能优化:阈值贪婪子程序和建立 - ACL自适应 - RAG: 通过问题复杂性学习适应检索增强大型语言模型
本研究提出了一个新颖的适应性问答框架,可以根据查询的复杂性动态选择最合适的策略,该策略可在回答问题时无缝地在迭代和单步检索增强型大型语言模型之间进行调整,同时适应多种查询复杂性,提高问答系统的效率和准确性。
- 运用不完整调查数据计算选举规则
通过对候选人的完整排序偏好的难以确定性我们研究了能够通过查询选民关于 t <m 个候选人的规则计算的投票规则。在先前研究的基础上,我们的研究全面描述了对于任何 1≤t < m 时可以计算的位置评分规则集合,特别地,这不包括多数派规则。然后, - 利用潜在值和截断反馈学习阈值
主要研究领域包括主动学习、阈值、潜在空间和查询复杂度,通过研究阈值的学习和潜在值的奖励函数,提供了对于问题的完整描述并给出了其查询复杂度的紧密上界和下界。此外,还将该模型扩展到在线学习领域,并使用连续臂赌博技术和查询复杂度结果证明了紧密的遗 - 统一 (量子) 统计和参数化 (量子) 算法
从评估查询中学习的问题以及其对线性函数类的查询复杂性进行了研究,从而在量子学习和量子机器学习领域建立了统一的视角。
- 通过随机化提高基于偏好反馈的强化学习的效率
这项研究介绍了一种利用人类反馈的强化学习算法,在线性 MDP 模型和非线性函数逼近模型下,通过随机化算法设计实现了高样本效率和多项式计算复杂度,并通过一种新颖的随机主动学习过程最小化了查询复杂度,同时在后者中取得了近乎最优的折衷结果。
- 非凸优化中找到稳定点的计算复杂度
非凸优化中寻找近似驻点的计算和查询复杂性是本文的关键研究内容,其中包括在无约束域中寻找近似驻点的问题的 PLS 完备性、二维情况下的零阶算法以及近似驻点的查询复杂性的特征化,同时还研究了约束优化问题中寻找近似 KKT 点的查询复杂性,并指出 - 非单调 $k$- 次模最大化问题的鲁棒近似算法在背包约束下
提出了两个确定性近似算法来解决非单调 k - 次模极大化问题,其在查询复杂度仅为 O (nk) 的情况下提供了常数近似比率,比现有算法少使用了 Omega (log n) 数量的查询。
- 通过在线回归进行选择性采样和模仿学习
本文提出了一种应用选择性抽样的交互式算法,可用于通过主动查询具有噪声的专家反馈实现模仿学习,并提供了关于后者的新算法,同时证明了该算法的后悔和查询复杂度在一定的理论范围内得到优化。
- 关于含噪计算的最优界限
本研究重新审视了来自 Feige 等人的 1994 年的噪声信息计算问题,改进其上下界以更好地描述查询复杂性,并考虑了自适应采样和非自适应采样这两种情况。
- ICML针对聚类问题的近优量子核心集构建算法
该研究在量子计算的框架下,提出了一种在时空复杂度上具有优势的 k - 聚类问题的量子算法,并在算法的基础上得到了一个核心集。
- 同簇 Oracle 下有限集合划分的容错精确查询学习
本文通过访问同簇 oracle,在有界对手误差的情况下,着手研究仅通过主动学习来精确恢复分区的问题。我们首先强调了学习分区和相关聚类之间的新颖联系。然后,利用这种关联建立了一个 Rényi-Ulam 样式的分析框架,并证明了该问题最坏情况下 - 可扩展弱标注主动学习的改进自适应算法
文章提出了一种名为 WL-AC 的新型算法模板,该模板可以利用低质量的弱标注器来减少查询复杂性,同时保持所需的准确度水平。通过绕过实现假设,WL-AC 适用于许多现实世界的情况,包括随机损坏的弱标签和高维度家族的区别分类器。在经验上,我们提 - ICML一种查找反事实的查询优化算法
本研究设计了一种算法来查找反事实,使得与现有算法相比,其在性能上具有更强的理论保证,并且可以为给定实例返回最优的反事实近似实例。
- 从查询中高效学习任何一个具有单个隐层 ReLU 的网络
本研究基于黑盒访问网络,提出第一个多项式时间算法以学习任意单隐藏层神经网络激活函数,并在高斯测量意义下实现对原神经网络的低二次误差,即使在最坏情况网络下,算法仍保证良好的效率。
- 通过鲁棒均匀收敛研究最小绝对偏差回归的查询复杂度
本文提出了一个新框架来分析回归问题中的重要抽样方法,证明了最小绝对偏差回归的查询复杂度为 $\Theta (d/\epsilon^2)$,并拓展了技术来展示任何 $ \ell_p$ 损失($p\in (1,2)$)的查询复杂度的第一个下界以 - CVPR模拟未知目标模型进行查询效率高的黑盒攻击
研究了在黑盒情况下深度神经网络的安全问题,并提出一种称为 “模拟器” 的广义替代模型来模拟任何未知目标模型的功能,从而降低了大量查询的复杂度。
- ACL带有噪声引导的主动模仿学习
LEAQI 算法利用差异分类器在序列标注任务中替代了昂贵、低效的查询过程,实现了更好的查询效果和准确度。
- AAAI带 Oracle 查询的顺序模式估计
该文考虑通过查询样本序列来自适应地确定概率分布 P 的模式,涵盖了两种不同的查询模型,并给出了所有查询复杂度的算法和理论下界。
- 子模量极大化的 FAST 算法
本篇论文介绍了一种新算法 FAST,旨在通过最大化满足劣模性的子模函数,使逼近比例任意接近 1-1 /e,由 O (log(n)log^2 (log k)) 次适应,总共使用 O(nloglog (k)) 次查询,在处理大数据集方面,该算法