对机器学习中归一化常数估计的新的复杂性分析

研究人员开发了一个新的理论框架，用于分析概率分布中归一化常数估计的复杂性。这项工作侧重于退火重要性采样方法，提供了非渐近分析，在达到指定的相对误差时，其预言机复杂性为 \(\\widetilde{O}(\frac{d\beta^2{\mathcal{A}}^2}{\varepsilon^4})\)。该分析利用Girsanov定理和最优传输，避免了显式的等周假设。此外，还提出了一种使用反向扩散采样器的新算法来处理大作用量和多模态问题，并进行了经验验证。 AI

影响 为改进机器学习模型中的密度估计技术提供了理论基础。

排序理由 该集群包含一篇详细介绍统计机器学习理论进展的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Bayesian statistics
• Girsanov's theorem
• Jarzynski equality
• machine learning
• optimal transport
• reverse diffusion samplers
• statistical mechanics
• Wei Guo
• Annealed Importance Sampling

• 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 →