Journal of the ACM
PulseAugur coverage of Journal of the ACM — every cluster mentioning Journal of the ACM across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新算法实现了Littlestone类近乎线性的私有学习
研究人员开发了一种新的差分隐私学习算法，显著提高了学习Littlestone类的样本复杂度。新的界限近乎线性，为 $O(d\log d)$，相比之前双指数和 $\widetilde O(d^6)$ 的界限有了实质性改进。这一进展对于学习子空间尤其有影响，新方法实现了对维度 $d$ 的紧密线性依赖，而对环境维度没有依赖。
-
新算法计算马尔可夫博弈中的范式相关均衡
研究人员开发了首个用于计算有限 horizonte 马尔可夫博弈中范式相关均衡（NFCEs）的高效算法。该算法的运行时间为 $S(AH/\epsilon)^{O(n)}$，其中 $n$ 为玩家数量，$S$ 为状态数，$H$ 为 horizonte，$\epsilon$ 为精度。这比之前仅关注较弱相关均衡概念的工作有了显著进步。该方法涉及在辅助阶段博弈上进行逆向归纳，并纳入了恒定期望相关均衡。该论文还在某些场景下确立了 NFCEs 的 …
-
新研究阐明了机器学习可学习性的最佳尺度
一篇题为“Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale”的新研究论文深入探讨了实值函数类在最佳尺度上表现出一致收敛性和可学习性的问题。该研究建立了PAC学习定理的尺度敏感泛化，证明了一致收敛性、无偏学习性以及特定尺度下fat-shattering维度的有限性之间的等价关系。这项工作通过提供控制可学习性的精确尺度并改进度量熵的现有界限…
-
新研究将随机度量失真上限改进至 2.3282
研究人员将度量社交选择中的随机度量失真上限改进至 2.3282。这一新上限通过混合随机规模的稳定彩票和集成否决法实现，超过了之前 2.5 的最佳记录。证明过程运用了先进的技术，包括圆锥线性规划对偶和 Bernstein 基验证。
-
新的扰动方法以更少的数据降低了矩阵的条件数
研究人员开发了一种新的扰动矩阵的方法，与现有技术相比，该方法显著降低了计算成本。这种新方法只需要生成和存储 O(n) 个随机数，而高斯扰动需要 O(n^2) 个变量，这是一个重大的改进。该方法实现了与高斯扰动相同的条件数降低到 O(n)，从而能够实现更高效的算法，例如用于求解线性系统的扰动共轭梯度法。