会员服务
“机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多 推论问题属于 无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科
Infinite-Width Limit of a Single Attention Layer: Analysis via Tensor Programs
Arxiv
0+阅读 · 1月2日
From Continual Learning to SGD and Back: Better Rates for Continual Linear Models
Arxiv
0+阅读 · 1月1日
Deep learning estimation of the spectral density of functional time series on large domains
Arxiv
0+阅读 · 1月1日
PolarGrad: A Class of Matrix-Gradient Optimizers from a Unifying Preconditioning Perspective
Arxiv
0+阅读 · 1月2日
Improving criminal case management through Machine Learning system
Arxiv
0+阅读 · 1月1日
Nonparametric Instrumental Variable Inference with Many Weak Instruments
Arxiv
0+阅读 · 1月1日
Uncertainty-Adjusted Sorting for Asset Pricing with Machine Learning
Arxiv
0+阅读 · 1月2日
Cycling Race Time Prediction: A Personalized Machine Learning Approach Using Route Topology and Training Load
Arxiv
0+阅读 · 1月2日
Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
Arxiv
0+阅读 · 1月1日
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
Arxiv
0+阅读 · 1月2日
Integrating Multi-Armed Bandit, Active Learning, and Distributed Computing for Scalable Optimization
Arxiv
0+阅读 · 1月2日
Generative Conditional Missing Imputation Networks
Arxiv
0+阅读 · 1月2日
Survey of Data-driven Newsvendor: Unified Analysis and Spectrum of Achievable Regrets
Arxiv
0+阅读 · 1月1日
Laplacian Kernelized Bandit
Arxiv
0+阅读 · 1月1日
Sparse Additive Contextual Bandits: A Nonparametric Approach for Online Decision-Making with High-Dimensional Covariates
Arxiv
0+阅读 · 2025年12月31日
参考链接
微信扫码咨询专知VIP会员
Top