摘要
贾亚德夫·阿查里亚(Jayadev Acharya)、伊利亚斯·迪亚科尼科拉斯(Ilias Diakonikolas)、杰里·李(Jerry Li)和路德维希·施密特(Ludwig Schmidt)。 2017.近线性时间内的样本最佳密度估计。 第二十八届ACM-SIAM离散算法研讨会论文集。 1278–1289. 谷歌学者 交叉引用 贾亚德夫·阿查里亚(Jayadev Acharya)、阿什坎·贾法尔普尔(Ashkan Jafarpour)、阿尔隆·奥利茨基(Alon Orlitsky)和阿南达·瑟塔·苏雷什(Ananda Theertha Suresh)。 2014.球面高斯混合的近最佳样本估计。 arXiv预打印arXiv:1402.4746。 谷歌学者 Dimitris Achlioptas和Frank McSherry。 2005.关于混合分布的谱学习。 在计算学习理论国际会议上。 458–469页。 谷歌学者 数字图书馆 约瑟夫·安德森、米哈伊尔·贝尔金、纳文·戈亚尔、路易斯·拉德马赫和詹姆斯·沃斯。 2014.越多越好:学习大型高斯混合函数的维数的好处。 在学习理论会议上。 1135年至1164年。 谷歌学者 桑吉夫·阿罗拉和拉维·坎南。 2005.学习分离的非球形高斯混合。 应用概率年鉴,15,1A(2005),69-92。 谷歌学者 交叉引用 哈桑·阿什蒂亚尼(Hassan Ashtiani)、谢本·达维德(Shai Ben-David)、尼古拉斯·贾·哈维(Nicholas JA Harvey)、克里斯托弗·利奥(Christopher Liaw)、阿巴斯·梅赫拉比安(Abbas Mehrabian)和。 2018.通过样本压缩方案学习高斯混合的样本复杂度边界几乎很紧。 第32届神经信息处理系统国际会议论文集。 3416–3425. 谷歌学者 米哈伊尔·贝尔金和考希克·辛哈。 2015。分布族的多项式学习。 SIAM J.计算。, 44, 4 (2015), 889–911. 谷歌学者 数字图书馆 Aditya Bhaskara、Moses Charikar、Ankur Moitra和Aravindan Vijayaraghavan。 2014.张量分解的平滑分析。 在第四十六届ACM计算理论研讨会的会议记录中。 594–603. 谷歌学者 数字图书馆 Aditya Bhaskara、Ananda Suresh和Morteza Zadimoghaddam。 2015.非负线性系统和应用的稀疏解决方案。 人工智能与统计。 83–92. 谷歌学者 马修·布伦南(Matthew Brennan)、盖·布雷斯勒(Guy Bresler)、塞缪尔·霍普金斯(Samuel B Hopkins)、杰里·李(Jerry Li)和塞利尔·施拉姆(Tselil Schramm)。 2020年。统计查询算法和低度测试几乎相等。 arXiv预打印arXiv:2009.06107。 谷歌学者 小安·陈(Siu-An Chan)、伊利亚斯·迪亚科尼科拉斯(Ilias Diakonikolas)、罗科·阿塞韦迪奥(Rocco A Servedio)和孙晓瑞(Xiaorui Sun)。 2014.通过分段多项式近似进行有效密度估计。 在第四十六届ACM计算理论研讨会的会议记录中。 604–613. 谷歌学者 数字图书馆 小安·陈(Siu-An Chan)、伊利亚斯·迪亚科尼科拉斯(Ilias Diakonikolas)、罗科·阿塞韦迪奥(Rocco A Servedio)和孙晓瑞(Xiaorui Sun)。 2014.使用可变宽度直方图在近线性时间内进行近最佳密度估计。 arXiv预打印arXiv:1411.0169。 谷歌学者 陈元思。 2021.KLS猜想中等周系数的几乎恒定下限。 几何和功能分析,31,1(2021),34–61。 谷歌学者 交叉引用 桑乔伊·达斯古普塔。 1999年,学习高斯混血儿。 在第40届计算机科学基础年度研讨会上(目录号99CB37039)。 634–644. 谷歌学者 交叉引用 桑乔伊·达斯古普塔(Sanjoy Dasgupta)和伦纳德·舒尔曼(Leonard J Schulman)。 2007.分离的球形高斯混合体EM的概率分析。 《机器学习研究杂志》,8(2007),203–226。 谷歌学者 数字图书馆 君士坦丁诺·达斯卡拉基斯(Constantinos Daskalakis)和高塔姆·卡马特(Gautam Kamath)。 2014.用于正确学习高斯混合的快速样本近最优算法。 在学习理论会议上。 1183–1213. 谷歌学者 Constantinos Daskalakis、Christos Tzamos和Manolis Zampetakis。 2017年。EM的十个步骤足以满足两个高斯人的混合物。 在学习理论会议上。 704–710. 谷歌学者 Luc Devroye和Gábor Lugosi。 2001.密度估计中的组合方法。 施普林格科技与商业媒体。 谷歌学者 伊利亚斯·迪亚科尼科拉斯和丹尼尔·凯恩。 2020年。多项式近零集的小覆盖和学习潜在变量模型。 2020年,IEEE第61届计算机科学基础年会(FOCS)。 184–195. 谷歌学者 交叉引用 Ilias Diakonikolas、Daniel M Kane和Alistair Stewart。 2017.高维高斯和高斯混合稳健估计的统计查询下限。 2017年IEEE第58届计算机科学基础年会(FOCS)。 73–84. 谷歌学者 交叉引用 Ilias Diakonikolas、Daniel M Kane和Alistair Stewart。 2018年。球形高斯函数的列表可分解稳健均值估计和学习混合。 第50届ACM SIGACT计算机理论研讨会论文集。 1047–1060. 谷歌学者 数字图书馆 乔恩·费尔德曼(Jon Feldman)、瑞安·奥唐纳(Ryan O'Donnell)和洛科·A·塞韦迪奥(Rocco A Servedio)。 2008.学习离散域上产品分布的混合。 SIAM J.计算。, 37, 5 (2008), 1536–1564. 谷歌学者 数字图书馆 荣戈、黄庆庆和Sham M Kakade。 2015年,学习高维高斯混合。 第四十七届ACM计算理论年会论文集。 761–770. 谷歌学者 数字图书馆 文凯特桑·古鲁斯瓦米和阿里·凯末尔·斯诺普。 2012.本地取整算法的更快SDP层次求解器。 2012年IEEE第53届计算机科学基础年会。 197–206. 谷歌学者 数字图书馆 莫里茨·哈特和埃里克·普莱斯。 2015年,学习两个高斯人的混合物的界限很紧。 第四十七届ACM计算理论年会论文集。 753–760. 谷歌学者 数字图书馆 Samuel B Hopkins和Jerry Li,2018年。 混合模型、稳健性和平方和证明。 第50届ACM SIGACT计算机理论研讨会论文集。 1021–1034. 谷歌学者 数字图书馆 塞缪尔·霍普金斯(Samuel B Hopkins)、谢利尔·施拉姆(Tselil Schramm)和乔纳森·施(Jonathan Shi)。 2019.过完备张量分解的稳健谱算法。 在学习理论会议上。 1683–1722. 谷歌学者 塞缪尔·霍普金斯(Samuel B Hopkins)、谢利尔·施拉姆(Tselil Schramm)、乔纳森·施(Jonathan Shi)和大卫·斯特勒(David Steurer)。 2016。平方和证明的快速谱算法:张量分解和种植的稀疏向量。 在第四十八届ACM计算理论研讨会的会议记录中。 178–191. 谷歌学者 数字图书馆 Daniel Hsu和Sham M Kakade。 2013.学习球面高斯混合:矩方法和谱分解。 第四届理论计算机科学创新会议论文集。 11–20. 谷歌学者 数字图书馆 Adam Tauman Kalai、Ankur Moitra和Gregory Valiant。 2010年。有效学习两个高斯人的混合。 第四十二届ACM计算理论研讨会论文集。 553–562. 谷歌学者 数字图书馆 Pravesh K Kothari、Jacob Steinhardt和David Steurer。 2018年。稳健的矩估计和通过平方和改进的聚类。 第50届ACM SIGACT计算机理论研讨会论文集。 1035–1046. 谷歌学者 数字图书馆 阿米特·库马尔(Amit Kumar)和拉文德兰·坎南(Ravindran Kannan)。 2010年,使用谱范数和k-means算法进行聚类。 2010年IEEE第51届计算机科学基础年会。 299–308. 谷歌学者 数字图书馆 Jerry Li、Allen Liu和Ankur Moitra。 2021.指数和的稀疏化及其算法应用。 arXiv预打印arXiv:2106.02774。 谷歌学者 Jerry Li和Ludwig Schmidt。 2017.通过多项式不等式系统对高斯混合进行稳健和适当的学习。 在学习理论会议上。 1302–1382. 谷歌学者 马腾宇、史强森和大卫·斯图尔。 2016.带平方和的多项式时间张量分解。 2016年IEEE第57届计算机科学基础年会(FOCS)。 438–446. 谷歌学者 交叉引用 Dustin G Mixon、Soledad Villar和Rachel Ward。 2017.通过半定规划对亚高斯混合进行聚类。 信息和推断:IMA杂志,6,4(2017),389–415。 谷歌学者 交叉引用 安库·莫伊特拉(Ankur Moitra)和格雷戈里·瓦利安特(Gregory Valiant)。 2010.解决高斯混合多项式的可学习性。 2010年IEEE第51届计算机科学基础年会。 93–102. 谷歌学者 数字图书馆 卡尔·皮尔逊。 1894.对进化数学理论的贡献。 伦敦皇家学会哲学学报。 A、 185(1894),71-110。 谷歌学者 交叉引用 Prasad Raghavendra、Satish Rao和Tselil Schramm。 2017年,强烈驳斥低于光谱阈值的随机csp。 第49届ACM SIGACT计算理论年会论文集。 121–131. 谷歌学者 数字图书馆 奥德·雷格夫(Oded Regev)和阿拉文丹·维贾亚拉哈万(Aravindan Vijayaraghavan)。 2017年,关于分离良好的高斯人的学习组合。 arxiv:1710.11592。 谷歌学者 谢利尔·施拉姆和大卫·斯特勒。 2017.快速稳健的张量分解及其在字典学习中的应用。 在学习理论会议上。 1760–1793. 谷歌学者 David Steurer和Stefan Tiegel。 2021.SoS度降低,应用于聚类和稳健矩估计。 2021年ACM-SIAM离散算法(SODA)研讨会论文集。 374–393. 谷歌学者 交叉引用 Yin Tat Lee和Santosh S Vempala。 2018年,Kannan-Lovász-Simonovits推测。 arXiv电子打印,arXiv–1807。 谷歌学者 Santosh Vempala和Grant Wang。 2004。用于学习混合模型的谱算法。 J.计算。 系统科学。, 68, 4 (2004), 841–860. 谷歌学者 数字图书馆 CF杰夫·吴。 1983年。关于EM算法的收敛性。 统计年鉴,95-103。 谷歌学者 季旭、徐彦祖和阿里安·马利基。 2016。两种高斯混合的期望最大化的全球分析。 arXiv预打印arXiv:1608.07630。 谷歌学者
索引术语
多项式时间内几乎最优分离的聚类混合
建议
球面高斯混合学习:矩方法和谱分解 ITCS’13:第四届理论计算机科学创新会议记录 这项工作为球面高斯混合提供了一种计算效率高且统计一致的基于矩的估计量。 在分量均值处于一般位置的情况下,一种简单的谱分解技术可以得到。。。 高斯混合多项式可学习性的求解 FOCS’10:2010 IEEE第51届计算机科学基础年会论文集 给定从多元高斯混合数据中提取的数据,一个基本问题是准确估计混合参数。 我们给出了该问题的一个算法,该算法在维数和逆维数上具有运行时间和数据需求多项式。。。