COLT '20

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。