- CVPR利用赌博机构造基于结构扰动的黑盒攻击对带有理论保证的图神经网络
本文主要研究黑盒攻击下的图神经网络,提出一种基于赌徒技巧的在线优化攻击方法,证明其具有亚线性的复杂度和理论保障,实验结果表明该攻击方法既有效又高效。
- 镜像学习:策略优化的统一框架
本研究提出了一种名为 Mirror Learning 的新理论框架,为包括 TRPO 和 PPO 在内的大类算法提供理论保证,这说明现代深度强化学习算法的实际表现是其理论特性的直接结果,而不是先前提到的近似类比,从而使我们自由地探索新颖的、 - ICLR依赖特征的标记噪声学习:一种渐进式方法
本文提出了一个基于特征依赖的标签噪声处理算法,该算法采用渐进式标签校正策略,通过理论证明其可以适应广泛的噪声模式并收敛于贝叶斯分类器,实验证明其优于 SOTA 基线算法且对各种噪声类型和程度具有鲁棒性。
- 带有双重竞技和抽取的阈值赌博机问题
本文提出了一种名为 Rank-Search 算法的解决 Thresholding Bandit Problem with Dueling Choices(TBP-DC)的方法,该方法通过交替排序和二分查找来处理此问题,并证明了其理论保证,同 - 关于基于梯度的模型无关元学习算法的收敛理论
本文研究了一类基于梯度的元学习方法的收敛性,探讨了它们在非凸损失函数下的最佳可达精度和整体复杂度。我们提出了一种名为 Hessian-Free MAML 的新变体算法,为该算法提供了理论保证,并且解答了这些算法在任务和数据集上学习率和批量大 - 模型基深度强化学习算法框架及其理论保证
本文提出了一种新的算法框架来设计和分析具有理论保证的基于模型的强化学习算法,该框架将不确定性原则扩展到非线性动态模型,其中模型 SLBO 在连续控制基准任务上实现了最先进的性能。
- 通过希尔伯特核心集实现自动可扩展的贝叶斯推断
该研究利用数据冗余缩小数据集作为预处理步骤,通过 Bayesian coreset framework 建立 Hilbert coresets,即在对数似然函数空间的内积引导下构造的 Bayesian coreset,提供具有理论保证的全自 - 学习排序中的计算和统计权衡
本文对于大规模和异构化的现代数据集中的信息排序问题提出了一种可靠性保证的机制,通过有序的信息刻画,充分利用计算资源进行高效程度排名的学习并在特定数据结构下进行了验证。
- 二进制嵌入:基本限制与快速算法
本文提出了一种基于二进制编码的非线性降维方法,能够在保留原始空间结构的同时,将高维数据嵌入到汉明立方体中,实现对任意集合中点的编码,并在理论上证明了该方法的最优位数下界及哈明距离下的非遗忘式编码,同时针对一般点集甚至无限点集提供了分析结果, - AAAISAT 问题的分布感知抽样和加权模型计数
本文介绍了一种新的方法,使用黑箱预言机,通过 NP-Oracle 实际求解带权重赋值的模型计数问题和分布感知的满足分配的抽样问题,从而在中等规模的问题上获得了强大的理论保证。
- 多臂赌博机中的风险规避
介绍了基于风险规避原则的随机多臂赌博机的新场景,使用方差作为风险度量,提出了两种新算法,并调研了它们的理论保证和初步实证结果.
- 用于 $k$-means 聚类的确定性特征选择
本文研究 k-means 聚类算法中的特征选择问题,提出了一种具有理论保证的确定性特征选择算法,该算法的核心是基于确定性方法的身份分解。
- 简单制表哈希的威力
本文介绍了一种基于最简单的表查询散列算法提供出乎意料的强大性能的方案,详细论述了散列算法在实现简单性与理论保证上的一些权衡。