★ 2
稀疏先验实现高效分布学习
论文提出「稀疏先验」类与「稀疏维度」概念，用以刻画真实分布的结构稀疏性。在 k-稀疏先验下，分布学习的贝叶斯风险下界为 Ω(√(k/n))，并在温和假设下给出 TV 距离的匹配上界。结果表明合适的先验可克服对样本量 n 的维度诅咒，且结论同样适用于「学习采样」。
arXiv cs.LG42 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出「稀疏先验」类与「稀疏维度」概念，用以刻画真实分布的结构稀疏性。在 k-稀疏先验下，分布学习的贝叶斯风险下界为 Ω(√(k/n))，并在温和假设下给出 TV 距离的匹配上界。结果表明合适的先验可克服对样本量 n 的维度诅咒，且结论同样适用于「学习采样」。
研究基于太平洋西北国家实验室 CICERO 自主选择性沉淀工作流，探讨主动学习如何用更少实验找到最优回收工艺。在钕铁硼磁体回收记录的回溯基准中，自适应策略仅需16-24个实验孔即可达到记录富集最大值，而非自适应方法需48个。作者进一步提出以预期下游贝叶斯风险降低来选择实验批次，并规划了预注册的前瞻…