statistical learning | BriefGPT

关键词statistical learning

搜索结果 - 57

一般分布学习：深度学习的理论框架
广义分布学习（GD Learning）是一种全新的理论学习框架，通过包含先验知识并最小化学习误差来提高性能，以处理深度学习中的各种问题，包括超参数化、非凸优化、偏差 - 方差权衡和平坦极小值的机制等。
PDF25 days ago
基于真实规模的视听命名事件的早期词汇习得模型
在一个真实的环境中，使用一种仅通过未注释的原始语音和视觉输入中的统计规律性进行学习的模型，研究证明婴儿通过统计学习能够有效地学习识别单词并将其与相应的视觉对象相关联，词汇增长的速度与婴儿观察到的相当。这一发现支持了统计学习在早期词知觉中的可
PDFa month ago
监督学习的 MRP 公式化：广义时间差异学习模型
该研究提出了一种将数据点视为相互关联的观点，并使用马尔科夫奖励过程（MRP）进行数据建模的统计学习方法。通过引入广义的时序差分（TD）学习算法来重塑传统的有监督学习问题，并与普通最小二乘法（OLS）的解决方案建立联系。同时，该研究还证明了在
PDF2 months ago
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
PDF4 months ago
依赖学习理论中的尖锐速率：避免样本数量紧缩对于平方损失的影响
统计学习中的依赖数据和平方损失在假设类 F 中研究，其中 Ψp 是范数 λf∥f∥Ψp≡supm≥1m−1/p∥f∥Lm 为某个 p∈[2,∞]。我们的研究旨在寻找一个与依赖数据学习相关的噪声交互项或者方差代理。在我们的假设类 F 上，当
PDF5 months ago
通过插值获得更严格的泛化界限
通过使用 (f,Γ) 差异得出新的 PAC-Bayes 广义边界，本文还提供了一系列概率差异 (包括但不限于 KL、Wasserstein 和总变差) 的 PAC-Bayes 广义边界，在后验分布性质不同的情况下选择最佳解，我们探索了这些边
PDF5 months ago
鲁棒的流式数据处理、采样及在线学习的视角
本文针对统计学习进行了概述，然后对鲁棒的流式技术和挑战进行了调查，并通过几个严格的结果证明了我们在整个过程中激发并暗示的关系。此外，我们将通常不相关的定理统一到一个共享的框架和符号中，以阐明我们所发现的深层次联系。我们希望通过从一个共享的视
PDF7 months ago
基于潜在伯努利变量的自适应无参数鲁棒学习
我们提出了一种高效的无参数方法，用于从受损训练集中进行统计学习。我们使用潜在的伯努利变量来确定受损和非受损样本，从而将鲁棒学习问题形式化为最大化似然函数，在其中对潜在变量进行边缘化处理。我们使用基于期望最大化的高效变分推断方法来解决由此产生
PDF7 months ago
非稳态下学习的稳定性原则
我们在非平稳环境中开发了一个多功能的统计学习框架，应用稳定性原则选择最大化利用历史数据的回溯窗口，并将累积偏差控制在可接受的范围内，以适应未知的非平稳性。通过两个新颖组件：函数相似性度量和数据分割技术，我们的理论展示了这种方法对于未知非平稳
PDF8 months ago
用于机器学习的热带几何工具：TML 包
过去十年中，热带几何学的发展为统计学习中的问题提供了一些直接适用的用途。TML 软件包是第一个包含了一整套与热带凸性、热带凸集可视化以及使用热带度量下的最大加代数构建的课题的基本计算方法、以及使用热带度量的有监督和无监督学习模型的 R 软件
PDF10 months ago
数据中心量子系统学习中的 ShadowNet
我们提出了一个数据中心学习范式，结合了神经网络和经典阴影的优势，以便在训练阶段揭示潜在的 Quantum System Learning 问题的映射规则，并在推理阶段具有良好的预测能力。
PDF10 months ago
通过顺序预测器获得高概率风险边界
在线学习方法在最小假设下产生顺序遗憾界限，并为统计学习提供期望风险界限；然而，最近的研究结果表明，在许多重要情况下，遗憾界限可能无法保证统计背景下紧致的高概率风险界限。本研究通过将通用在线学习算法应用于在线到批次转换，通过对定义遗憾的损失函
PDFa year ago
DeRisk：基于实际金融数据的信用风险预测的有效深度学习框架
在本文中，我们提出了 DeRisk，这是一种有效的深度学习风险预测框架，用于真实世界的金融数据的信用风险预测，首次超越了我们公司生产系统中部署的统计学习方法。我们还对我们的方法进行了广泛的消融研究，以展示 DeRisk 在实证成功中最关键的
PDFa year ago
统计学习的一阶方法与通用预言机的泛化误差
我们提供了一种新的分析框架，用于分析统计学习中基于一阶优化算法的泛化误差，当只能通过一个 oracle 提供的部分观测来获取梯度。我们的分析依赖于梯度相对于数据样本的正则性，并且允许为多个学习问题，包括监督学习、迁移学习、鲁棒学习、分布式学
PDFa year ago
学习变分目标下的度量方法问题
本文探讨了在度量上撰写类似目标函数的动机，特别是讨论了超出分布泛化和弱监督学习的问题，并提出了一个问题：是否可以将传统的统计学习结果用于度量上的目标函数？这样得出的构造是否会导致新的实用算法？
PDFa year ago
在线到 PAC 转换：通过遗憾分析获得泛化界
本文提出了从在线学习的角度推导统计学习算法的泛化界限的新框架，建立在线学习算法与统计学习算法之间的联系，通过构造一种在线学习游戏来实现该框架并得到多种泛化保证。
PDFa year ago
利用平滑性需要多少样本？
本文通过推导一种新的泛化误差下限，研究了通常在经典学习理论陈述之外通常未描述的常数和瞬态区域在实践中起到的支配作用，并探讨了基于 Fourier 或小波展开替代 Taylor 展开所带来的影响，进一步研究了统计学习中的核心原则 - 平滑性如
PDFa year ago
LightESD: 面向边缘计算的全自动轻量级异常检测框架
提出了一种全自动、轻量级、基于统计学习的异常检测框架，该方法适用于边缘设备上学习，不需要边缘设备和服务器之间的数据传输，可以自动适应任何数据集，并在检测准确率、效率和资源消耗方面优于其他最先进的方法。
PDFa year ago
一个简单的逻辑推理和统计学习生成模型
提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。
PDFa year ago
分布语义的实用限制约束
本文研究了语言模型在 Zipf 定律背景下的统计学习限制，表明无论什么标记都会出现 Zipf 的标记分布，标记分布由两个不同频率和语义的标记组成，这些特性干扰了由分布语义驱动的统计学习过程。
PDF2 years ago