Kleinberg
PulseAugur coverage of Kleinberg — every cluster mentioning Kleinberg across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究论文分析分层函数的噪声敏感性
一篇新的研究论文探讨了具有分层结构函数的学习复杂性，特别是在深度学习的背景下。研究表明，具有树状分层结构（尤其是偏离线性时）的函数相对于其深度表现出指数级小的噪声稳定性。这些发现对无偏学习具有启示意义，为布尔和高斯设置中分层函数的学习提供了超多项式下界。
-
新论文表明分层聚类可满足多个公理
一篇新论文探讨了聚类算法的局限性，特别是针对 Kleinberg 不可能性定理，该定理指出没有单一的划分能够同时满足尺度不变性、丰富性和一致性。研究表明，通过从扁平划分转向分层聚类，可以同时满足这些公理。该论文引入了‘可容许’分层聚类方法라는概念，并表明尽管它们之间存在显著的差异，但它们都共享一个由分离良好的簇组成的共同骨干。
-
新的MBLG框架实现了多项式时间生成
研究人员开发了一个错误有界语言生成（MBLG）框架的多项式时间版本。这个新框架表明，奇偶校验和文字合取族可以在多项式时间内生成。一个关键发现是，具有多项式数量最大项的单调布尔函数是多项式时间MBLG，这一类别包含了所有可由多项式大小决策树计算的单调布尔函数。所采用的技术涉及一种新颖的组合游戏。
-
新研究量化噪声对语言生成模型的影响
研究人员在“语言生成极限”框架的基础上，分析了噪声对语言生成模型的影响。他们的工作表明，即使是对手引入的单个额外字符串，也可能显著减小可生成语言集合的范围。此外，他们证明了单条噪声字符串的生成等同于任意有限数量噪声的生成，这一发现与先前噪声生成的层级模型形成对比。
-
新研究探索机器学习中的对比识别与生成
研究人员引入了一个新的框架，用于从对比数据对中学习，其中示例之间的关系已知但个体标签未知。该方法通过处理固有的关系监督信号，扩展了现有识别和生成极限的模型。该研究表征了可识别的类别，定义了一个新的组合维度，并探索了对比生成与文本识别之间的层次结构。
-
新算法在具有非Lipschitz需求的上下文定价中实现了最优遗憾
研究人员开发了一种名为Conservative-Markdown Redirect-UCB Pricing的新算法，以应对上下文动态定价的挑战。该算法旨在处理非Lipschitz的需求曲线，这些曲线具有任意的跳跃和原子，而这在以前阻碍了定价算法。新方法实现了\tilde O(T^{2/3})的最优遗憾，优于先前的方法，并缩小了线性估值上下文定价的理论理解差距。