- 关于核函数的近似方法
统计学习中的各种方法建立在再生核 Hilbert 空间中的核上。在应用中,核通常根据问题和数据的特征进行选择,然后用于在未观察到解释性数据的点处推断响应变量。本文考虑了在高维紧致集合中定位的数据,并且对核本身的近似进行了讨论。新的方法考虑了 - 基于白度的分层学习在图像中的正则化参数
无监督双层优化策略可用于在成像反问题中学习正则化参数,解决加性白高斯噪声存在的问题。与依赖参考数据的监督和半监督度量以及依赖噪声统计的部分知识的方法相比,该方法无需地面真实数据,通过优化观测数据和观测模型之间残差的白化程度。我们在标准的总变 - 一种不精确 Bregman 近点法及其加速版本用于非平衡最优输运
用于计算生物学、计算成像和深度学习中不平衡最优传输问题的不平衡最优传输问题 (UOT) 发挥越来越重要的作用。通过使用缩放算法,我们开发了一种不完全 Bregman 近似点方法来解决 UOT, 从而提供了对 UOT 解决方案的逼近。
- 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。
- 基于风险估计的半监督分类的异常检测
提出两种基于分类的半监督异常检测方法,一种基于无偏风险估计器的半监督浅层方法和一种利用非负偏向风险估计器的半监督深层方法,通过建立估计误差和风险过度界限来证明两者的有效性,并提出选择合适的正则化参数以确保浅层模型下经验风险非负性的技术。
- 折扣正则化的意外后果:提高确定性等价强化学习中的正则化
本文介绍一个基于状态 - 动作对的参数设置方法,用于解决基于折扣因子进行计划的正则化的不足和缺陷,能够更好地适应数据集中状态 - 动作对之间数据数量不平衡的情况。
- 利用调节正则化的极大似然估计改进多类别分类器
本文融合了前人的研究成果,提出了一种新的分类器,使用正则化参数有效地调整分类得分,并在不平衡数据的情况下提高了准确性。
- 多核学习中的稀疏性
探讨了基于经验风险惩罚的多核学习问题。它综合考虑了经验 $L_2$ 范数和核引起的再生核希尔伯特空间(RKHS)范数及其正则化参数的数据驱动选择的复杂度惩罚。主要关注的是当核心总数很大但仅需要较少数量的核心来表示目标函数时,该问题是稀疏的情 - ICML惩罚估计在统计线性估计中的应用:强化学习
探讨线性逆问题的正则化估计,提出一种不需要数据分割的正则化参数选择方法,研究结果为强化学习中线性价值函数估计提供了新的理解和限制。
- 指数族通用 SURE: 应用于正则化
该论文提出了针对广泛问题的 Stein 无偏风险估计方法,扩展了 SURE 设计技术,并建议了一种基于正则化 SURE 目标的小波去噪策略,可以改善均方误差性能。