在线相关聚类算法同时逼近所有 $\ell_p$-范数

研究人员开发了一种新颖的在线相关聚类算法，可以同时逼近所有 $\ell_p$-范数。该算法专为在线-带样本模型设计，在所有 $\ell_p$-范数上实现了 $O(\log^4 n)$ 的竞争比，在 $\ell_\infty$-范数上实现了 $O(\log n)$ 的竞争比，在 $\ell_1$-范数上实现了 $O(1)$ 的竞争比。该研究还引入了一个新的硬度结果，证明了在标准的随机顺序在线模型中，$\ell_1$ 和 $\ell_\infty$ 目标之间存在根本性的分离，表明 $\ell_\infty$ 需要至少 $\Omega(n^{1/3})$ 的竞争比。 AI

影响 引入了一个新的聚类理论框架，可能影响机器学习中的数据分析和算法设计。

排序理由 该集群包含一篇详细介绍机器学习新算法和理论结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• cs.LG
• $\ell_1$ norm
• $\ell_\infty$-norm
• $\ell_p$-norm
• Heather Newman
• Online Correlation Clustering

• 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 →