Hoeffding's inequality
PulseAugur coverage of Hoeffding's inequality — every cluster mentioning Hoeffding's inequality across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新算法利用数据优化机器替换计划
研究人员开发了用于优化机器维护中区块替换策略的数据驱动算法。这些算法旨在从运营数据中学习最具成本效益的替换间隔，即使在机器寿命分布未知的情况下也是如此。所提出的方法基于随机多臂老虎机，并利用 Hoeffding 和 Bernstein 不等式，实现了接近最优的遗憾界限。此外，还引入了一种 Kaplan-Meier 更新算法，用于从删失数据中非参数地估计寿命分布，从而确保策略的一致性和在延长周期内的最小遗憾。
-
新理论为流形统计量提供集中界
研究人员开发了新的流形统计分析集中界，解决了几何统计和流形学习中的挑战。该理论考虑了将观测值传输到公共参考纤维时引入的曲率和全纯效应。这项工作提供了有限样本、无维度的界限以及偏差-方差分解，将随机波动与曲率驱动的误差下限分开，并在球体上进行了实验验证。
-
新框架提升了 AI 模型可解释性的统计严谨性
研究人员开发了认证干预保真度（CIF），一个旨在严格评估机制可解释性中因果声明的新统计框架。CIF 将评估指标视为因果估计量，提供随时有效的置信区间和考虑自适应采样策略的序列。该方法已在涉及 MNIST 抽象和 GPT-2 Small IOI 电路的任务中证明了其有效性，从而能够对模型行为和干预效果得出更可靠的结论。
-
新框架评估LLM输出的可认证性，识别理论极限
研究人员开发了一个框架，用于评估大型语言模型（LLM）在命名实体识别和问答等结构化生成任务中的输出可认证性。他们得出了一个不可能性的结果，指出了在何种情况下，一致性风险控制（CRC）无法满足用户指定的风险目标。该研究还分析了一系列界限，包括Hoeffding、经验Bernstein和e-CRC，证明了认证率的显著提高，尤其是在Hoeffding到Bernstein之间。在数据集迁移下，自适应一致性推理（ACI）被验证可以减少风险目标违…
-
研究发现，AI风险控制方法在分组部署下会失效
一篇新发表在arXiv上的研究论文探讨了选择性预测方法在AI系统风险控制中的有效性。研究发现，诸如朴素阈值之类的常见做法可能导致虚假的安全感，在许多试验中错误率显著超过了声明的预算。诸如Clopper-Pearson和下注置信上限等认证方法表现更好，但由于可交换性前提被破坏，在分组部署下仍然出现超额。
-
马尔可夫不等式演变为测度集中工具
本文探讨了马尔可夫不等式如何演变为更广泛的测度集中工具。文章详细介绍了不等式中的一个替换如何能导出切比雪夫、切尔诺夫、霍夫丁和伯恩斯坦等更强大的界限。核心技术包括对原始不等式应用精心选择的函数。