诺亚·戈洛维奇
人员信息
SPARQL查询
优化列表
2020年–今天
2024 [公元34年] 范晨 , 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
分离潜在MDP中的近最优学习和规划。 COLT公司 2024 : 995-1067 [公元33年] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 :
对于回答“是”或“否”的Oracle,高效的PAC学习可能吗? COLT公司 2024 : 1263-1307 [公元32年] 诺亚·戈洛维奇 , 安库尔·莫伊特拉 :
线性Bellman完备性足以实现少动作的高效在线强化学习。 COLT公司 2024 : 1939-1981 [公元31年] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 尼卡·哈塔拉布 , Abhishek Shetty公司 :
平滑纳什均衡:算法和复杂性。 ITCS公司 2024 : 37:1-37:22 [c30] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
在稀疏线性MDP中探索和学习,无需计算难处理的Oracle。 STOC公司 2024 : 183-193 [公元29年] 尤瓦尔·达甘 , 君士坦丁诺·达斯卡拉基斯 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 :
从外部到交换遗憾2.0:有效减少大型动作空间。 STOC公司 2024 : 1216-1222 [i44] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
探索比预测更难:加密分离强化学习和监督学习。 CoRR公司 abs/2404.03774 ( 2024 ) [i43] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
依赖噪声下的学习平价。 CoRR公司 abs/2404.11325 ( 2024 ) [i42] 诺亚·戈洛维奇 , 埃拉·哈赞 , 周璐 , 德鲁夫·罗哈吉 , Y.詹妮弗·孙 :
人口动态的在线控制。 CoRR公司 abs/2406.01799 ( 2024 ) [i41] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
编辑语言模型的距离鲁棒水印。 CoRR公司 abs/2406.02633 ( 2024 ) [i40] 范晨 , 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
分离潜在MDP中的近最优学习和规划。 CoRR公司 abs/2406.07920 ( 2024 ) [i39] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
线性Bellman完备性足以实现少动作的高效在线强化学习。 CoRR公司 abs/2406.11640 ( 2024 ) [i38] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 :
对于回答“是”或“否”的Oracle,高效的PAC学习可能吗? CoRR公司 abs/2406.11667 ( 2024 ) [i37] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
固有Bellman误差在线性函数近似离线强化学习中的作用。 CoRR公司 abs/2406.11686 ( 2024 ) [公元36年] 君士坦丁诺·达斯卡拉基斯 , 加布里埃尔·法里纳 , 诺亚·戈洛维奇 , Tuomas Sandholm公司 , 布莱恩·胡·张 :
广泛形式游戏中交换遗憾的下限。 CoRR公司 abs/2406.13116 ( 2024 ) [i35] 尤瓦尔·达甘 , 君士坦丁诺·达斯卡拉基斯 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 , 罗伯特·克莱伯格 , 奥科拉夫王子 :
通过更强的符号保存游戏改进了校准边界。 CoRR公司 abs/2406.13668 ( 2024 ) [i34] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
编辑语言模型的距离鲁棒水印。 IACR加密。 电子打印架构。 2024 : 898 ( 2024 ) 2023 [公元28年] 迪安·福斯特 , 迪伦·福斯特 , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
论多智能体决策的复杂性:从博弈学习到部分监控。 COLT公司 2023 : 2678-2792 [公元27年] 迪伦·福斯特 , 诺亚·戈洛维奇 , 韩彦军(Yanjun Han) :
具有决策估计系数的交互式决策的严格保证。 COLT公司 2023 : 3969-4043 [公元26年] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 张开清 :
随机博弈中马尔可夫均衡的复杂性。 COLT公司 2023 : 4180-4234 [公元25年] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 斯特拉斯·斯科拉基斯 , 埃马努伊尔·赞佩塔基斯 :
STay-ON-the-Ridge:在非凸非凸博弈中保证收敛到局部极小极大均衡。 COLT公司 2023 : 5146-5198 [公元24年] 迪伦·福斯特 , 诺亚·戈洛维奇 , 沙姆·M·卡卡德 :
马尔可夫博弈中独立学习的困难与稀疏均衡计算。 ICML公司 2023 : 10188-10221 【c23】 迪伦·福斯特 , 诺亚·戈洛维奇 , 简倩 , 亚历山大·拉赫林 , 阿尤什·塞卡里 :
基于决策估计系数的无模型强化学习。 NeurIPS公司 2023 [公元22年] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
通过滤波器稳定性在部分可观测系统中进行规划和学习。 STOC公司 2023 : 349-362 [i33] 迪伦·福斯特 , 诺亚·戈洛维奇 , 韩彦军(Yanjun Han) :
具有决策估计系数的交互式决策的严格保证。 CoRR公司 abs/2301.08215 ( 2023 ) [i32] 迪伦·福斯特 , 诺亚·戈洛维奇 , 沙姆·M·卡卡德 :
马尔可夫博弈中独立学习的困难与稀疏均衡计算。 CoRR公司 腹肌/2303.12287 ( 2023 ) [i31] 迪伦·福斯特 , 院长P.Foster , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
论多智能体决策的复杂性:从游戏学习到部分监控。 CoRR公司 abs/2305.00684 ( 2023 ) [i30] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
在稀疏线性MDP中探索和学习,无需计算难处理的Oracle。 CoRR公司 abs/2309.09457 ( 2023 ) [i29] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 尼卡·哈塔拉布 , Abhishek Shetty公司 :
平滑纳什均衡:算法和复杂性。 CoRR公司 abs/2309.12226 ( 2023 ) [第28条] 尤瓦尔·达甘 , 君士坦丁诺·达斯卡拉基斯 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 :
从外部到交换后悔2.0:大型动作空间的有效减少和无意识对手。 CoRR公司 abs/2310.19786 ( 2023 ) 2022 [c21] 亚当·布洛克 , 尤瓦尔·达甘 , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
平滑的在线学习与统计学习一样简单。 COLT公司 2022 : 1716-1786 [公元20年] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
通过建议可以改进Q-learning吗? COLT公司 2022 : 4548-4619 [第19条] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
在可观测POMDP中学习,无需计算难处理的Oracle。 NeurIPS公司 2022 [第18条] Ioannis Anagonistides公司 , 君士坦丁诺·达斯卡拉基斯 , 加布里埃尔·法里纳 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 , Tuomas Sandholm公司 :
多层广义和博弈中相关均衡的近最优无重学习。 STOC公司 2022 : 736-749 [第17条] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 :
非参数在线学习的快速率:从可实现性到游戏学习。 STOC公司 2022 : 846-859 [i27] 诺亚·戈洛维奇 , 安库·莫伊特拉 , 德鲁夫·罗哈吉 :
准多项式时间内可观测POMDP规划。 CoRR公司 abs/2201.04735 ( 2022 ) [i26] 亚当·布洛克 , 尤瓦尔·达甘 , 诺亚·戈洛维奇 , 亚历山大·拉赫林 :
平滑的在线学习与统计学习一样简单。 CoRR公司 abs/2202.04690 ( 2022 ) [i25] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 张开清 :
随机博弈中马尔可夫均衡的复杂性。 CoRR公司 abs/2204.03991 ( 2022 ) 【i24】 诺亚·戈洛维奇 , 安库尔·莫伊特拉 , 德鲁夫·罗哈吉 :
在可观测POMDP中学习,无需计算难处理的Oracle。 CoRR公司 abs/2206.03446 ( 2022 ) [第23条] 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 , 斯特拉斯·斯科拉基斯 , Manolis Zampetakis公司 :
STay-ON-the-Ridge:在非凸非凸博弈中保证收敛到局部极小极大均衡。 CoRR公司 abs/2210.09769 ( 2022 ) [i22] 迪伦·福斯特 , 诺亚·戈洛维奇 , 简倩 , 亚历山大·拉赫林 , 阿尤什·塞卡里 :
关于具有决策估计系数的无模型强化学习的注记。 CoRR公司 腹肌/2211.14250 ( 2022 ) 2021 [第16条] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 :
Littlestone和阈值维度接近紧密闭合。 中高音 2021 : 686-696 [第15条] 诺亚·戈洛维奇 :
增长条件下的差异私有非参数回归。 COLT公司 2021 : 2149-2192 [第14条] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , 拉斯穆斯·帕赫 , 阿梅娅·维林克 :
多重匿名消息的威力:差异隐私洗牌模型中的频率估计和选择。 欧洲密码(3) 2021 : 463-488 [第13条] 诺亚·戈洛维奇 , 罗伊·利夫尼 :
Littlestone课程是可以私下在线学习的。 NeurIPS公司 2021 : 11462-11473 [第12条] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 , 张志远(Chiyuan Zhang) :
深度学习与标签差异隐私。 NeurIPS公司 2021 : 27131-27145 [第11条] 君士坦丁诺·达斯卡拉基斯 , Maxwell Fishelson公司 , 诺亚·戈洛维奇 :
一般游戏中的近最优无障碍学习。 NeurIPS公司 2021 : 27604-27616 [c10] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 :
具有近似差异隐私的有效样本正确PAC学习。 STOC公司 2021 : 183-196 【i21】 君士坦丁诺·达斯卡拉基斯 , 迪伦·福斯特 , 诺亚·戈洛维奇 :
竞争强化学习的独立策略梯度方法。 CoRR公司 abs/2101.04233 ( 2021 ) [i20] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 , 张志远(Chiyuan Zhang) :
深度学习与标签差异隐私。 CoRR公司 abs/2102.06062 ( 2021 ) [i19] 诺亚·戈洛维奇 , 罗伊·利夫尼 :
Littlestone课程是可以私下在线学习的。 CoRR公司 abs/2106.13513 ( 2021 ) [i18] 君士坦丁诺·达斯卡拉基斯 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 :
一般游戏中的近最优无障碍学习。 CoRR公司 abs/2108.06924 ( 2021 ) [i17] 诺亚·戈洛维奇 , 安库·莫伊特拉 :
Q-Learning可以通过建议改进吗? CoRR公司 abs/2110.13052 ( 2021 ) [i16] Ioannis Anagonistides公司 , 君士坦丁诺·达斯卡拉基斯 , 加布里埃尔·法里纳 , 麦克斯韦尔·菲舍尔森 , 诺亚·戈洛维奇 , Tuomas Sandholm公司 :
多层广义和博弈中相关均衡的近最优无距离学习。 CoRR公司 abs/2111.06008 ( 2021 ) 【i15】 君士坦丁诺·达斯卡拉基斯 , 诺亚·戈洛维奇 :
非参数在线学习的快速速度:从可实现性到游戏学习。 CoRR公司 abs/2111.08911 ( 2021 ) [第14条] 诺亚·戈洛维奇 :
增长条件下的差分私有非参数回归。 CoRR公司 abs/2111.12786 ( 2021 ) 2020 【c9】 诺亚·戈洛维奇 , 萨拉斯·帕塔蒂尔 , 君士坦丁诺·达斯卡拉基斯 , 阿苏曼·欧兹达格勒 :
在光滑凹凸鞍点问题中,最后一次迭代比平均迭代慢。 COLT公司 2020 : 1758-1784 【c8】 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 , 拉斯穆斯·帕赫 , 阿梅娅·维林克 :
匿名消息的纯差异私有求和。 国际贸易中心 2020 : 15:1-15:23 【c7】 君士坦丁诺·达斯卡拉基斯 , 迪伦·福斯特 , 诺亚·戈洛维奇 :
竞争强化学习的独立策略梯度方法。 NeurIPS公司 2020 【c6】 诺亚·戈洛维奇 , 萨拉斯·帕塔蒂尔 , 君士坦丁诺·达斯卡拉基斯 :
在多层游戏中,为无重复学习提供紧密的最后迭代收敛速度。 NeurIPS公司 2020 【c5】 诺亚·戈洛维奇 , 迈度·苏丹 :
常见随机生成的圆形复杂性:摊销设置。 SODA公司 2020 : 1076-1095 [i13] 诺亚·戈洛维奇 , 萨拉斯·帕塔蒂尔 , 君士坦丁诺·达斯卡拉基斯 , 阿苏曼·欧兹达格勒 :
在光滑凹凸鞍点问题中,最后一次迭代比平均迭代慢。 CoRR公司 abs/2002.00057 ( 2020 ) [i12] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 , 拉斯穆斯·帕赫 , 阿梅娅·维林克 :
匿名消息的纯差异私有求和。 CoRR公司 abs/2002.01919 ( 2020 ) [i11] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 :
Littlestone和阈值尺寸的接近紧密闭合边界。 CoRR公司 abs/2007.03668 ( 2020 ) [i10] 诺亚·戈洛维奇 , 萨拉斯·帕塔蒂尔 , 君士坦丁诺·达斯卡拉基斯 :
在多层游戏中,为无重复学习提供紧密的最后迭代收敛速度。 CoRR公司 腹肌/2010.13724 ( 2020 ) [第九章] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , Pasin Manurangsi公司 :
具有近似差异隐私的有效样本正确PAC学习。 CoRR公司 abs/2012.03893 ( 2020 )
2010 – 2019
2019 【c4】 桑吉弗·阿罗拉 , 纳达夫·科恩 , 诺亚·戈洛维奇 , 魏虎 :
深度线性神经网络梯度下降的收敛性分析。 ICLR(海报) 2019 【c3】 迈度·苏丹 , 巴迪赫·加齐 , 诺亚·戈洛维奇 , 米塔利·巴夫纳 :
通信-为常见随机性和密钥生成进行权衡。 SODA公司 2019 : 1861-1871 [i8] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , 拉斯穆斯·帕赫 , 阿梅娅·维林克 :
洗牌模式中的私人重击手和射程查询。 CoRR公司 abs/1908.11358 ( 2019 ) [i7] 诺亚·戈洛维奇 , 迈度·苏丹 :
常见随机生成的圆形复杂性:摊销设置。 CoRR公司 abs/1909.00323 ( 2019 ) [i6] 巴迪赫·加齐 , 诺亚·戈洛维奇 , 拉维库玛 , 拉斯穆斯·帕赫 , 阿梅娅·维林克 :
多条匿名消息的威力。 IACR加密。 电子打印架构。 2019 : 1382 ( 2019 ) 2018 【j4】 诺亚·戈洛维奇 :
具有不确定先验的压缩染色链。 电子。 J.库姆。 25 ( 4 ) : 4 ( 2018 ) 【c2】 诺亚·戈洛维奇 , 亚历山大·拉赫林 , 奥哈德·沙米尔 :
神经网络的样本复杂度与大小无关。 COLT公司 2018 : 297-299 【c1】 诺亚·戈洛维奇 , Harikrishna Narasimhan公司 , 大卫·C·帕克斯 :
多设施定位机构设计的深度学习。 国际JCAI 2018 : 261-267 [i5] 张志远(Chiyuan Zhang) , 廖千里 , 亚历山大·拉赫林 , 白兰度·米兰达 , 诺亚·戈洛维奇 , 西红柿A.Poggio :
深度学习理论IIb:SGD的优化特性。 CoRR公司 abs/1801.02254 ( 2018 ) [i4] 米塔利·巴夫纳 , 巴迪赫·加齐 , 诺亚·戈洛维奇 , 迈度·苏丹 :
通信-为常见随机性和密钥生成进行权衡。 CoRR公司 abs/1808.08907 ( 2018 ) [i3] 桑吉弗·阿罗拉 , 纳达夫·科恩 , 诺亚·戈洛维奇 , 魏虎 :
深度线性神经网络梯度下降的收敛性分析。 CoRR公司 abs/1810.02281 ( 2018 ) [i2] 米塔利·巴夫纳 , 巴迪赫·加齐 , 诺亚·戈洛维奇 , 迈度·苏丹 :
通信-为常见随机性和密钥生成进行权衡。 电子。 计算机学术讨论会。 复杂。 18号机房 ( 2018 ) 2017 [i1] 诺亚·戈洛维奇 , 亚历山大·拉赫林 , 奥哈德·沙米尔 :
神经网络的样本复杂度与大小无关。 CoRR公司 abs/1712.06541 ( 2017 ) 2016 [j3] 诺亚·戈洛维奇 :
有向图的m退化色数。 谨慎。 数学。 339 ( 6 ) : 1734-1743 ( 2016 ) 2015 [注2] 诺亚·戈洛维奇 , 大卫·罗尔尼克 :
平面有向图的非循环子图。 电子。 J.库姆。 22 ( 三 ) : 三 ( 2015 ) 2014 [j1] 诺亚·戈洛维奇 :
求解线性齐次方程正则度的一个猜想。 电子。 J.库姆。 21 ( 三 ) : 三 ( 2014 )