新方法改进离散分布参数学习

研究人员开发了一种新方法，可以从特定子集内的样本中有效学习离散分布的自然参数。该方法在“fatness”假设下改进了现有保证，将 l∞-recovery 的样本复杂度提高到 O(log n / ε^2)。该方法使用布尔函数的影响力分析来推广“fatness”概念，为在不要求任意参数化采样的情况下进行有效推理提供了充分条件。还建立了理论下界，显示出模型宽度和最小元素距离的内在指数依赖性。 AI

影响 推进了对离散分布学习算法的理论理解。

排序理由 学术论文，详细介绍了一种新的分布学习理论方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Algorithmica '22
• alphaXiv
• arXiv
• Boolean Functions
• Boolean Product Distributions
• CatalyzeX Code Finder for Papers
• COLT '20
• DagsHub
• Fotakis et al
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →