- Python 大规模稀疏图的高效图编码嵌入
图编码嵌入(GEE)的稀疏版本在计算和存储零元素方面进行了优化,与原始 GEE 相比,这种改进后的方法在处理大规模稀疏图时实现了显著的加速,可以在标准笔记本上几分钟内处理数百万条边。
- 一个块坐标下降的多目标优化算法:理论和实证分析
存在一种条件,使得块坐标下降在进化多目标优化中达到渐近效率,我们考虑了这个开放问题并提出了块坐标版本的 GSEMO 算法来与标准 GSEMO 算法的运行时间进行比较,理论和实证结果表明了块坐标下降更快的情况的存在,这一结果可能对此类算法产生 - 可扩展且无超参数的非参数转移适应与条件采样
我们提出了一种新的非参数方法来进行协变量转移适应,避免了权重估计和超参数调整,并实现了样本规模几乎线性的运行时间,同时保持了与参数方法相同的收敛速度。
- 多目标跟踪中 ByteTrack 的自适应置信阈值
应用字节跟踪 (ByteTrack) 于多目标跟踪,介绍一种新的自适应途径,通过动态调整置信度阈值实现更好的效果,同时保持与 ByteTrack 相同的运行时间。
- 一维投影聚类的简单、可扩展和有效方法
非监督学习中的聚类是一个基础问题,本研究介绍了一种简单的随机聚类算法,它在任意 k 下的期望运行时间为 O (nnz (X) + nlogn),并在 K-means 目标函数上实现了近似比例约为 O (k^4) 的算法,通过实验证明与现有方 - 一种高效的在线凸优化内点方法
在线凸优化中一种新的遗憾最小化算法被描述,该算法具有良好的遗憾界限和适应性,并与内点算法在运行时间上相匹配。
- 计算递归教学维度的难度注释
计算概念类的递归教学维度的问题在指数时间假设下需要 n^Ω(log n) 的时间,与问题的暴力算法的运行时间 n^O (log n) 相匹配。
- ICML针对良好聚类图的近似最优层次聚类
本文提出两种高效的分层聚类算法,针对 Dasgupta 成本函数。对于任何有明确集群结构的输入图 G,我们设计的算法在 G 的输入大小几乎为线性的时间内运行,并返回一个相对于 Dasgupta 成本函数的 O (1) 近似 HC 树。我们将 - 轻微超指数参数化问题
本文检查了参数算法的优化问题,其中 $f (k)=k^{O (k)}$ 为最佳运行时间,针对一些这样的问题,我们证明了运行时间中对 $k$ 的依赖不能优化为单次指数。
- 前向后向选择和早期淘汰
本文提出了一种启发式方法,通过临时舍弃条件独立于特征集所选择的变量,在保持预测准确性的同时显著提高了前向 - 后向选择算法的运行效率,并在能够被贝叶斯网络或最大祖先图恰当表示的分布中,能够正确识别马尔科夫毯子。
- 求解线性方程组的可变时间幅度放大和更快的量子算法
本文提出了两种量子算法,第一种是幅值放大的推广,适用于量子算法的不同部分在不同时刻停止的情况;第二种算法利用第一种算法,将 Harow 等人的线性方程组解算法的运行时间从 O (kappa^2log N) 优化到 O (kappa log^ - 用于因数分解的量子绝热算法及其实验实现
我们提出了一种绝热量子算法,可以使用比 Shor 算法更少的 qubits 进行数字分解。我们在 NMR 量子信息处理器中实现了该算法并成功地分解了数字 21。数值模拟表明,运行时间仅随着 qubits 数量的平方而增长。