关于
Kevin Jamieson是保罗·G·艾伦计算机科学与工程学院在华盛顿大学。他于2009年获得华盛顿大学学士学位玛雅·古普塔2010年，他在哥伦比亚大学获得硕士学位鲁伊·卡斯特罗2015年在威斯康星大学麦迪逊分校获得博士学位罗伯特·诺瓦克都是电气工程专业。2017年，他在华盛顿大学（University of Washington）担任博士后AMP实验室在加州大学伯克利分校与本杰明·雷奇特杰米森的工作获得了美国国家科学基金会职业奖和亚马逊学院研究奖的认可。
研究重点
杰米森的研究探索了如何利用已经收集的数据，在一个闭环中告知下一步要进行什么样的测量。这种主动学习可以比使用相同的统计预算预先确定的任何测量计划提取更丰富的见解。他的工作范围从理论到具有保证的实用算法，再到开源机器学习系统，并已被广泛应用于一系列应用中，包括测量心理学研究中的人类感知，动态网络环境中的自适应a/B/n测试，数值优化，以及为深层神经网络选择超参数。
具体而言，杰米森对依赖实例的样本复杂性各种闭环主动学习场景。实例相关的优化算法适应了问题的真正困难，即在容易的时候采样较少，而在困难的时候采样较多。有时称为间隙相关边界，这些样本复杂性边界与反映最坏情况性能的极小极大边界形成对比。研究这一机制的一个主要动机是观察到大自然不是敌对的，我们希望我们的算法能够利用简单的设置。Jamieson的工作表明，诸如UCB/Thompson Sampling for barbittes/reinforcement-learning的流行策略，以及基于分歧的分类方法，而minimax的表现可能比他的团队开发的实例优化算法糟糕得多。他的团队的论文混合了信息理论下限、计算和样本高效算法设计以及自适应收集数据的统计分析。以下是他的团队在各个领域的贡献：
- 多武装匪徒，子集选择【KatJai2020年】,【JamJai2018】,【LiJamDesRosTal2018】,【SimJamRec2017】,[SimJamRec2016年],【JamMalNowBub2014】
- 线性和组合强盗，实验设计【CamXioFazJaiJam2021】,【CamKatJam2021】,[KatJaiKarJam2020],【FieJaiJamRat2019】
- 分类[CheDuJam2022],[CheDuJam2021],[KatZhaJaiJam2021],【JaiJam2019】
- 线性动力系统[WagSimJam2021],【WagJam2020】
- 强化学习，表格[WagSimJam2022],[CheDuJam2021]
[SimJam2019]
- 强化学习，线性函数近似[WagCheSimDuJam2022]
【WagCheSimDuJam2022】
依赖实例的边界正是Jamieson的主要兴趣所在。请参见出版物以获得更全面的列表。
选定出版物
超越无悔：依赖实例的PAC强化学习Andrew Wagenmaker、Max Simchowitz、Kevin Jamieson、，COLT 2022（冷2022）.PDF格式
基于不可知池的主动分类改进算法朱利安·卡兹·萨缪尔斯、张继凡、拉利特·贾恩、凯文·杰米森、，ICML 2021年.PDF格式
联合界的经验过程方法：组合和线性带宽的实用算法朱利安·卡兹·萨缪尔斯、拉利特·贾恩、佐哈尔·卡宁、凯文·杰米森，NeurIPS 2020.PDF格式
线性动力系统辨识的主动学习Andrew Wagenmaker、Kevin Jamieson、，柯尔特2020.PDF格式
大规模并行超参数调整Liam Li、Kevin Jamieson、Afshin Rostamizadeh、Ekaterina Gonina、Moritz Hardt、Benjamin Recht、Ameet Talwalkar、，MLSys 2020.PDF格式
传导性线性带的序贯实验设计Tanner Fiez、Lalit Jain、Kevin Jamieson、Lillian Ratliff、，2019年NeurIPS.PDF格式
表列MDP的非共鸣Gap-依赖后悔界Max Simchowitz、Kevin Jamieson、，2019年NeurIPS.PDF格式
一种具有错误发现控制的多测试Bandit方法凯文·杰米森、拉利特·贾恩，NeurIPS公司, 2018.PDF格式
Hyperband:一种新的基于Bandit的超参数优化方法李丽莎、凯文·杰米森、朱利娅·迪萨尔沃、阿夫申·罗斯塔米扎德、阿梅特·塔尔沃卡尔，JMLR公司, 2018*.PDF格式
