本文研究了分布式估计问题,Alice和Bob分别持有概率分布,目标是以加性误差ε估计函数f(x,y)的期望。我们提出了一种新的去偏协议,改善了对1/ε的依赖,使其线性化。同时,为特定函数(如相等和大于函数)提供了更好的上界,并引入了基于谱方法的下界技术,证明了协议的最优性。
该文综述了图信号处理与谱方法的多项研究,涵盖图谱扩散模型、快速谱聚类、图结构恢复、图分类及稀疏扩散图生成,重点利用谱性质和扩散方法提升图学习的效率与可扩展性。
本文综述基于Bradley-Terry-Luce模型的成对比较排名方法,涵盖top-K排序、谱方法与正则化MLE的样本复杂度、Spectral MLE算法、超边比较图、排名推断框架及双样本检验,并涉及部分排名、Pref-Rank图嵌入、Erdős-Rényi异常值谱排名和基于距离的推荐模型。
本文综述球面散乱数据的插值与谱方法研究,主要内容包括:提出分布式插值量化噪声不确定性;构建可逼近任意有界核的谱核族及非平稳谱核,用于高斯过程回归与谱核学习;提出互域变分高斯过程以高效处理百万级数据;给出基于图信号处理的快速谱聚类;引入复值再生核希尔伯特空间的自适应有理插值;用谱技术稳健估计稀疏均值与主成分;分析谱图滤波器稳定性;并构造球面散乱数据自适应多项式算子及高次精确积分公式。
该文介绍了一种基于神经常微分方程的谱方法来学习时空微分方程的方法,能够处理具有无边界空间域上的远程非局部空间相互作用的目标时空方程。该方法将机器学习方法推广到了无边界的微分方程和更大的问题类别。
完成下面两步后,将自动完成登录并继续当前操作。