达可研讨会

主要内容

×

模态的标题

模式内容

订阅这如果您想通过电子邮件得到关于这些演讲的通知。此外你可以订阅到iCal/ics日历。

2021年秋季学期

日期/时间 演讲者 标题 位置
2021年11月16日
14:15-15:15
Amin Karbasi教授
耶鲁大学
事件详细信息

达可研讨会

标题 顺序决策:到底需要多少适应性?
演讲者,归属 Amin Karbasi教授耶鲁大学
日期、时间 2021年11月16日14:15-15:15
位置 HG19.1 G
摘要 部分可观察性下的自适应随机优化是人工智能和机器学习的基本挑战之一,应用范围广泛,包括主动学习、最优实验设计、交互式推荐、病毒式营销、维基百科链接预测和机器人感知等。在这类问题中,人们需要在考虑前几轮收集到的随机观察结果的同时,自适应地做出一系列决策。例如,在主动学习中,目标是通过仔细地从一组未标记的数据点中请求尽可能少的标签来学习分类器。同样,在实验设计中,一个实践者可能会进行一系列的测试,以达到一个结论。即使有可能在任何观察发生之前提前确定所有的选择(例如,一次选择所有的数据点或同时进行所有的医学测试),即所谓的先验选择,但更有效的方法是考虑利用从过去的选择中获得的信息来进行新的选择的完全自适应过程。在这次演讲中,我们将介绍半自适应策略,用于广泛的决策问题,它享受完全顺序过程的力量,同时执行更少的自适应轮。
顺序决策:到底需要多少适应性?read_more
HG19.1 G
2021年11月23日
10:15-11:15
Jaouad Mourtada教授
ENSAE /波峰
事件详细信息

达可研讨会

标题 无分布稳健线性回归
演讲者,归属 Jaouad Mourtada教授ENSAE /波峰
日期、时间 2021年11月23日10:15-11:15
位置 HG19.1 G
摘要 我们考虑随机设计线性回归的问题,在无分布的情况下,对预测/输入变量的分布没有任何假设。在调查了现有的方法并指出了一些改进之后,我们将解释它们在我们的环境中存在不足的原因。然后,我们确定了保证可能存在的目标/输出的最小假设,并描述了一个非线性预测过程,实现了具有高概率的最优误差界。
无分布稳健线性回归read_more
HG19.1 G
2021年11月23日
14:15-15:15
Lénaïc Chizat教授
EPF洛桑
事件详细信息

达可研讨会

标题 宽双层ReLU神经网络的梯度下降分析
演讲者,归属 Lénaïc Chizat教授EPF洛桑
日期、时间 2021年11月23日14:15-15:15
位置 HG19.1 G
摘要 在本次演讲中,我们提出了一个宽双层ReLU神经网络的梯度下降分析,导致学习预测器的鲜明特征。主要思想是研究隐层宽度为无穷大时的训练动力学,即Wasserstein梯度流。虽然这种动态在非凸环境下发展,但我们表明,对于适当的初始化,当它存在时,它的极限是全局最小值。当目标为非正则化的逻辑损耗时,我们还研究了该算法的隐正则化,从而在一定的函数空间内得到一个最大边际分类器。我们最后讨论了这些结果告诉我们泛化性能的什么,特别是这些模型与内核方法的比较情况。
宽双层ReLU神经网络的梯度下降分析read_more
HG19.1 G
2021年11月30日
17:15-18:15
若昂佩雷拉博士
但奥斯丁
事件详细信息

达可研讨会

标题 张量分解改进幂法的景观分析
演讲者,归属 若昂佩雷拉博士但奥斯丁
日期、时间 2021年11月30日17:15-18:15
位置 变焦
摘要 在这次演讲中,我将谈谈最近由我和Joe Kileel在子空间幂方法(SPM)中引入的对称张量分解的优化公式。与流行的张量分解替代泛函不同,SPM目标函数具有理想的性质,即它的最大值是预先已知的,并且当输入足够低秩时,它的全局最优值恰好是张量的第1阶分量。我们推导出定量的界限,使得在无噪声情况下,任何具有SPM目标值超过界限的二阶临界点必须等于一个张量分量,如果张量近似低秩,则必须近似一个张量分量。我们得到了超完备随机张量模型的一个近全局保证,以及在确定框架条件下的一个全局保证。这意味着具有适当初始化的SPM算法是一种可证明的、有效的、鲁棒的低秩对称张量分解算法。如果时间允许,我将提到正在进行的用于隐式张量分解的SPM版本的工作,它分解力矩张量而不显式地计算它们,并且对于这种类型的张量要快得多。
张量分解改进幂法的景观分析read_more
变焦
2021年12月21日
17:15-18:15
Dr. Sam Hopkins教授
麻省理工学院
事件详细信息

达可研讨会

标题 量子通信中的矩阵差异
演讲者,归属 Dr. Sam Hopkins教授麻省理工学院
日期、时间 2021年12月21日17:15-18:15
位置 变焦
摘要 稍后通知
量子通信中的矩阵差异read_more
变焦
2022年1月18日
14:15-15:15
卢卡Ganassali
法国巴黎
事件详细信息

达可研讨会

标题 稀疏图对齐的统计和计算极限
演讲者,归属 卢卡Ganassali法国巴黎
日期、时间 2022年1月18日14:15-15:15
位置 HG19.1 G
摘要 图对齐是指恢复具有相关边的两个随机图之间的底层顶点对应关系。这个问题可以看作是众所周知的图同构问题的平均情况和噪声版本。对于相关的Erdős-Rényi随机图,我们将深入了解该问题的种植式的基本限制,为部分恢复建立统计阈值。从计算的角度来看,我们感兴趣的是设计和分析有效的(多项式时间)算法,以有效地恢复底层对齐:在稀疏的情况下,我们展示了种植对齐问题的局部重表述作为树木的相关检测问题。通过分析这个相关的问题,可以为我们的初始任务导出一个消息传递算法。基于与Laurent的合作作品Massoulié和Marc lellarge: https://arxiv.org/abs/2002.01258, https://arxiv.org/abs/2102.02685, https://arxiv.org/abs/2107.07623。
稀疏图对齐的统计和计算极限read_more
HG19.1 G

笔记:强调事件标记下一个发生的事件和带有星号()表示该时间及/或地点与通常的时间及/或地点不同。

您的浏览器中已禁用JavaScript