Michael I. Jordan

Post-Hoc Large-Sample Statistical Inference

事后大样本统计推断

Ben Chugg, Etienne Gauthier, Michael I. Jordan, Aaditya Ramdas, Ian Waudby-Smith

AI总结 本文提出渐近事后推断理论，开发出更弱假设和更精确的渐近事后置信集与p值，解决传统非渐近推断的局限性。

Comments 61 pages, 7 figures

Online Decision-Focused Learning

在线决策聚焦学习

Aymeric Capitaine, Maxime Haddouche, Eric Moulines, Michael I. Jordan, Etienne Boursier, Alain Durmus

机构 * Centre de Mathématiques Appliquées - CNRS, École Polytechnique, Paris, France（应用数学中心 - CNRS，巴黎高等学院，法国） ； INRIA - CNRS, Ecole Normale Supérieure, PSL Research University, France（INRIA - CNRS，巴黎高等师范大学，法国） ； EPITA, Laboratoire de Recherche de l’EPITA, Mohamed Bin Zayed University of AI, Paris, France（EPITA，EPITA研究实验室，人工智能马尔代夫大学，法国） ； Inria Paris, Ecole Normale Superieure PSL, UC Berkeley, Paris, France（Inria巴黎，巴黎高等师范大学PSL，伯克利大学，法国） ； Inria Saclay, Université Paris Saclay, LMO, Orsay, France（Inria萨克利，巴黎萨克利大学，LMO，法国） 纠错

AI总结 本文提出两种在线算法，通过正则化和扰动技术解决动态环境下决策聚焦学习的非凸性问题，并首次建立了可证明的遗憾界。