ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning
Imperial College London（帝国理工学院）；Sharif University of Technology（谢里夫理工大学）
针对序列推荐中的用户冷启动及次要用户偏好建模难题，提出基于元学习聚类的ClusterSeq模型，利用用户序列动态信息提升预测准确性，在MRR指标上较现有方法提升16-39%。
2023-07-25 cs.AI cs.IR cs.LG
Consistency of some sequential experimental design strategies for excursion set estimation based on vector-valued Gaussian processes
本文扩展了逐步不确定性减少序贯设计的一致性结果至向量值高斯过程，澄清了连续高斯过程与高斯测度的联系，并应用于极值集估计的不确定性泛函。
2023-10-11 math.PR math.ST stat.ML
Sequential Domain Adaptation by Synthesizing Distributionally Robust Experts
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；The Hong Kong Polytechnic University（香港理工大学）；Stanford University（斯坦福大学）；VinAI Research（VinAI研究院）
最小二乘估计，当在几个目标域样本上训练时，可能预测不佳。有监督的领域自适应旨在通过利用来自接近目标分布的源分布的附加标记的训练样本来提高预测精度。鉴于现有的数据，我们研究新的策略，合成一个家庭的最小二乘估计专家，是强大的矩条件。当这些矩条件指定使用Kullback-Leibler或Wasserstein型分歧，我们可以找到有效地使用凸优化的鲁棒估计。我们使用伯恩斯坦在线聚合算法的建议家庭的强大的专家生成预测的顺序流的目标测试样本。对实际数据的数值实验表明，稳健策略可以优于经验最小二乘估计的非稳健插值。
2021-06-01 cs.LG math.OC stat.ML
Variable-Shot Adaptation for Online Meta-Learning
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
Few-Shot元学习方法考虑通过跨来自一组先前任务的静态数据的元学习来从小的固定数量的示例学习新任务的问题。然而，在许多现实世界中，更自然的是将问题视为最小化监督总量的问题之一-学习新任务所需的示例数量和元学习所需的数据量。这样的公式可以在顺序学习环境中进行研究，其中任务按顺序呈现。当在这种在线环境中研究元学习时，出现了一个关键问题：当同时考虑元训练和适应时，元学习能否改善标准经验风险最小化方法的样本复杂性和遗憾？对于需要大量Meta训练数据的复杂双层优化的元学习算法，答案尤其不明显。为了回答这个问题，我们扩展了以前的元学习算法，以处理顺序学习中自然出现的可变镜头设置：从开始的多镜头学习到最后的零样本学习。在顺序学习问题上，我们发现，与标准的监督方法相比，元学习用更少的整体标签解决了整个任务集，并实现了更高的累积性能。这些结果表明，元学习是构建学习系统的一个重要组成部分，该系统可以在一系列问题上不断学习和改进。
2020-12-14 cs.AI cs.LG
CRPS-Based Targeted Sequential Design with Application in Chemical Space
Institute of Mathematical Statistics and Actuarial Science, University of Bern, Switzerland（数学统计与精算科学研究所，伯尔尼大学，瑞士）；DTIS, ONERA, Paris-Saclay University（DTIS，ONERA，巴黎-萨克雷大学）
本文提出基于CRPS的序列设计方法，用于在化学空间中高效获取数据，提升模型准确性与实验效率。
2025-12-15 cs.LG stat.AP stat.CO
Predicting Configuration Performance in Multiple Environments with Sequential Meta-learning
Loughborough University（拉夫堡大学）；University of Birmingham（伯明翰大学）
针对多环境下配置性能预测，提出序贯元学习框架SeMPL，按序训练元环境以区分贡献，在九系统上对比15个模型，89%系统上准确率提升最高99%，且数据高效，加速达3.86倍。
2024-02-05 cs.AI cs.LG cs.PF
SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Relativity（Relativity公司）
SPOT通过主题聚类、序列建模和元学习策略，利用历史临床试验数据提升试验结果预测准确性，并在各期试验中显著超越现有方法。
2023-04-07 cs.AI cs.LG
Sequential design of computer experiments for the estimation of a probability of failure
本文讨论了在假定$\mathbb{R}^d$上的概率测度已知的情况下，估计函数$f:\mathbb{R}^d \to \mathbb{R}$在给定阈值以上的偏移集的体积的问题.在工业世界中，这对应于估计系统故障概率的问题。当只有一个昂贵的模拟模型的系统是可用的，模拟的预算通常是严重有限的，因此，经典的蒙特卡罗方法应该避免。本文的主要贡献之一是从贝叶斯理论公式中推导出SUR（逐步减少不确定性）策略，估计故障概率。这些顺序策略使用$f$的高斯过程模型，并且旨在尽可能有效地执行$f$的评估以推断故障概率的值。我们将这些策略与其他策略进行比较，这些策略也基于用于估计故障概率的高斯过程模型。
2012-04-24 stat.AP stat.CO
Generative Models from the perspective of Continual Learning
ENSTA ParisTech（巴黎高等科技学院）；INRIA（法国国家信息与自动化研究所）；Thales（泰雷兹集团）；Softbank Robotics Europe（软银机器人欧洲公司）
哪种生成模型最适合持续学习？本文旨在评估和比较不相交的序列图像生成任务的生成模型。我们研究了几个模型如何学习和忘记，考虑各种策略：排练，正则化，生成重放和微调。我们使用了两个定量指标来估计生成质量和记忆能力。我们在三个常用的持续学习基准测试（MNIST，Fashion MNIST和CIFAR10）上进行了顺序任务的实验。我们发现，在所有模型中，原始的GAN表现最好，在持续学习策略中，生成重放优于所有其他方法。即使我们在MNIST和Fashion MNIST上找到了令人满意的组合，在CIFAR10上连续训练生成模型也特别不稳定，仍然是一个挑战。我们的代码可在线获取\footnote{\url{https://github.com/TLESORT/Generative\_Continual\_Learning}}。
2018-12-21 cs.AI cs.CV cs.LG
Sequential design for surrogate modeling in Bayesian inverse problems
本文针对贝叶斯反问题中的代理建模提出CSQ和IP-SUR两种序贯设计策略，利用SUR框架实现不确定性逐步减少，并通过多个测试案例验证其有效性。
2025-01-02 stat.ME
Boundedly Rational Meta-Learning in Sequential Consumer Choice
University of Washington（华盛顿大学）
研究消费者在不确定环境下重复选择时的跨情境知识转移，提出有界理性元动态规划政策BRMDP(D)，发现消费者通过粗略的先验不确定性表示实现跨情境学习。
2026-08-25 cs.LG econ.GN q-fin.EC
Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation
Seoul National University（首尔国立大学）
针对冷启动序列推荐中用户反馈不平衡导致元学习适配效果差的问题，提出一种带自适应加权损失的梯度元学习框架，捕捉用户不平衡评分分布并计算个性化自适应损失，经真实数据集实验验证有效。
2023-08-21 cs.IR cs.LG
Efficient scenario analysis in real-time Bayesian election forecasting via sequential meta-posterior sampling
Columbia University（哥伦比亚大学）；University of Tokyo（东京大学）；Aalto University（阿尔托大学）
该研究针对实时贝叶斯选举预测中传统方法需重复拟合导致计算成本高的问题，提出元建模策略与序贯采样方案，实现高效情景分析，回测显示其计算增益显著。
2026-08-05 stat.AP stat.CO stat.ME
Domain adaptation strategies for cancer-independent detection of lymph node metastases
Nijmegen, the Netherlands
最近，大型高质量的公共数据集导致了卷积神经网络的发展，可以在专家病理学家的水平上检测乳腺癌的淋巴结转移。许多癌症，无论起源部位如何，都可以转移到淋巴结。然而，收集和注释每种癌症类型的高容量，高质量数据集是具有挑战性的。在本文中，我们研究了如何在多任务设置中最有效地利用现有的高质量数据集来执行密切相关的任务。具体来说，我们将探索不同的训练和域适应策略，包括预防灾难性遗忘，用于结肠癌和头颈癌淋巴结转移检测。我们的研究结果显示了两种癌症转移检测任务的最新性能。此外，我们证明了从一种癌症类型到另一种癌症类型的网络重复适应的有效性，以获得多任务转移检测网络。最后，我们证明了利用现有的高质量数据集可以显着提高新目标任务的性能，并且可以使用正则化有效地减轻灾难性遗忘。
2022-07-13 cs.CV cs.LG eess.IV
Sequential design of experiments for estimating percentiles of black-box functions
当函数求值次数受到严格限制时，具有随机输入的黑盒确定性函数的估计是一项具有挑战性的任务，这在计算机实验中是典型的。基于高斯过程元模型，提出了两种新的序贯贝叶斯百分位数估计方法。两者都依赖于逐步减少不确定性的范例，因此旨在提供一系列的功能评估，减少与百分位估计相关的不确定性测量。所提出的策略进行了测试的几个数值例子，表明可以得到准确的估计，只使用少量的功能评估。
2016-05-20 math.ST stat.TH
Autoregressive Generation Strategies for Top-K Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Skoltech, HSE University（斯克里普钦科技大学，俄罗斯联邦经济大学）
本文研究生成式Transformer在Top-K序列推荐中的应用，提出基于温度采样与多序列聚合的RRA和RA策略，在多个数据集上验证其在较长时间范围内优于传统Top-K预测和单序列自回归生成方法。
2024-09-26 cs.IR cs.LG
Uncertainty Prediction for Deep Sequential Regression Using Meta Models
IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）
为序贯回归生成高质量的不确定性估计，特别是深度递归网络，仍然是一个具有挑战性和开放性的问题。现有的方法往往作出限制性的假设（如平稳性），但在实践中仍然表现不佳，特别是在现实世界的非平稳信号和漂移的存在。本文介绍了一种灵活的方法，可以产生对称和非对称的不确定性估计，不作任何假设平稳性，并优于漂移和非漂移情况下的竞争基线。这项工作有助于使序贯回归在现实世界的应用中更加有效和实用，并且是一般序贯不确定性量化建模工具箱的强大新添加。
2021-07-22 cs.LG stat.ML
Data Augmentation Strategies for Improving Sequential Recommender Systems
Seoul National University（首尔国立大学）
最近，顺序推荐系统通过利用基于深度学习（DL）的方法实现了显著的性能改进。然而，尽管已经介绍了各种基于DL的方法，其中大多数只关注网络结构的转换，忽略了其他影响因素的重要性，包括数据增强。显然，基于DL的模型需要大量的训练数据，以便很好地估计参数并实现高性能，这导致早期的努力通过计算机视觉和语音领域的数据增强来增加训练数据。在本文中，我们试图找出各种数据增强策略可以提高顺序推荐系统的性能，特别是当训练数据集不够大。为此，我们提出了一组简单的数据增强策略，所有这些策略都以直接损坏的方式转换原始项序列，并描述了数据增强如何改变性能。在最新的基于DL的模型上进行的大量实验表明，应用数据增强可以帮助模型更好地泛化，特别是当训练数据量很小时，它可以显着有效地提高模型的性能。此外，它表明，我们提出的策略可以提高性能到一个更好的或有竞争力的水平，现有的战略建议在以前的作品。
2022-03-26 cs.IR cs.LG
Sparse Meta Networks for Sequential Adaptation and its Application to Adaptive Language Modelling
Microsoft Research（微软研究院）
训练深度神经网络需要大量的单任务数据，并且涉及到耗时较长的优化阶段。这无法扩展到具有新的意外更改的复杂、现实环境。人类可以在飞行中进行快速增量学习，大脑中的记忆系统起着关键作用。我们介绍稀疏Meta网络--一种元学习方法，通过使用深度神经网络来学习深度神经网络的在线顺序自适应算法。我们用特定于层的快速权重记忆来增强深度神经网络。快速权重在每个时间步稀疏地生成，并通过时间增量地累积，为在线连续适应提供有用的归纳偏差。我们在各种顺序适应场景中表现出强大的性能，从简单的在线强化学习到大规模自适应语言建模。
2020-09-03 cs.AI cs.CL cs.LG
A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models
University of Würzburg（维尔茨堡大学）
目前，顺序项目推荐模型通过计算小项目子集（目标集）上的度量来进行比较，以加快计算速度。目标集包含相关项和从完整项集中采样的一组负项。两种众所周知的对负项进行抽样的策略是均匀随机抽样和按流行度抽样，以更好地逼近数据集中的项频率分布。最近发表的论文顺序项目推荐依赖于抽样的流行程度比较评估模型。然而，最近的工作已经表明，均匀随机抽样的评估可能与完整排名不一致，即，通过使用完整的项目集作为目标集评估度量获得的模型排名，这就提出了通过流行度抽样获得的排名是否等于完整排名的问题。在这项工作中，我们重新评估当前国家的最先进的顺序推荐模型的角度来看，这些采样策略是否有影响的模型的最终排名。因此，我们训练四个最近提出的顺序推荐模型在五个众所周知的数据集。对于每个数据集和模型，我们采用三种评估策略。首先，我们计算完整的模型排名。然后，我们评估所有的模型在两个不同的抽样策略，均匀随机抽样和流行度抽样的目标集上，常用的目标集大小为100，计算每个策略的模型排名，并相互比较。此外，我们改变采样目标集的大小。总体而言，我们发现，这两种抽样策略可以产生不一致的排名相比，完整的排名模型。此外，受欢迎程度抽样和均匀随机抽样并不总是产生相同的排名。
2021-07-27 cs.IR cs.LG
Time to Split: Exploring Data Splitting Strategies for Offline Evaluation of Sequential Recommenders
AIRI, Skoltech Moscow Russian Federation（AIRI，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab, Skoltech Moscow Russian Federation（Sber AI Lab，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab Moscow Russian Federation（Sber AI Lab，莫斯科斯克里普钦斯基因工学院俄罗斯联邦）；Sber AI Lab, HSE University Moscow Russian Federation（Sber AI Lab，莫斯科高等经济大学俄罗斯联邦）
本文系统比较了序列推荐中不同数据分割策略对离线评估的影响，发现留一法等常见策略存在时间泄漏等问题，与更现实的评估策略不一致，并提供了代码以提升可重复性。
2025-07-22 cs.IR cs.LG
Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit
ZF Friedrichshafen AG（采埃孚股份公司）；Niederrhein University of Applied Sciences（下莱茵应用科学大学）；Zalando SE（扎兰多股份公司）；PI Probaligence GmbH（PI Probaligence有限公司）
本文提出GUESS自适应序贯采样策略，融合后验不确定性探索与高阶Taylor近似利用，并在26个1至8维基准上对比9种方法，验证其平均样本效率最优。
2023-09-29 cs.LG stat.ML
Meta Reinforcement Learning with Distribution of Exploration Parameters Learned by Evolution Strategies
LevelupAI；Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Normal University（北京师范大学）
在本文中，我们提出了一种新的元学习方法在强化学习设置，基于演化策略（ES），探索参数空间和确定性策略梯度。ES方法易于并行化，这对于现代训练架构是理想的;然而，这种方法通常需要大量的样本来进行有效的训练。我们使用确定性的策略梯度在适应和其他技术，以弥补样本效率的问题，同时保持固有的可扩展性的ES方法。我们证明，我们的方法取得了良好的效果相比，基于梯度的元学习在高维控制任务的MuJoCo模拟器。此外，由于元训练阶段的无梯度方法，在自适应训练中不需要有关梯度和策略的信息，我们预测并确认我们的算法在需要多步自适应的任务中表现更好。
2019-05-08 cs.AI cs.LG stat.ML
Meta-Prompt Optimization for LLM-Based Sequential Decision Making
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；Guangdong Lab of AI and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））
针对基于大语言模型的序列决策中因奖励非平稳导致的元提示优化难题，提出EXPO及扩展的EXPO-ES算法，可显著提升相关任务性能。
2026-08-31 cs.LG
Learning to Learn a Cold-start Sequential Recommender
Beijing Jiaotong University（北京交通大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）
冷启动推荐是当前在线应用中亟待解决的问题。它旨在为那些行为稀少的用户提供尽可能准确的推荐。许多数据驱动的算法，如广泛使用的矩阵分解，由于数据稀疏而表现不佳。本文采用元学习的思想来解决用户的冷启动推荐问题。我们提出了一个基于元学习的冷启动顺序推荐框架称为元CSR，包括三个主要组成部分：扩散代表学习更好的用户/项目嵌入通过信息扩散的交互图;顺序推荐捕获时间依赖的行为序列; Meta学习者提取和传播可转移的知识，以前的用户和学习一个良好的初始化为新用户。MetaCSR具有从常规用户的行为中学习常见模式并优化初始化的能力，使得模型可以在一次或几次梯度更新后快速适应新用户，以实现最佳性能。在三个广泛使用的数据集上的大量定量实验表明，元CSR在处理用户冷启动问题方面具有显著的性能。同时，一系列的定性分析表明，所提出的元CSR具有良好的推广性。
2021-10-18 cs.AI cs.IR cs.LG
Boosting-Based Sequential Meta-Tree Ensemble Construction for Improved Decision Trees
本研究提出一种基于提升的序列元树集成构建方法，旨在解决决策树过拟合问题，并通过实验证明其优于传统决策树集成。
2024-02-09 cs.LG stat.ML
A Meta-Level Learning Algorithm for Sequential Hyper-Parameter Space Reduction in AutoML
JADBio - Gnosis DA S.A.；Computer Science Department - University of Crete（克里特大学计算机科学系）
本文提出元级学习算法 SHSR，通过分析 AutoML 历史运行结果过滤新数据集上的无效超参数值，在 659 个任务上实现约 30% 加速且性能损失低于 0.1%。
2024-01-18 cs.AI cs.LG
Adapting Static Fairness to Sequential Decision-Making: Bias Mitigation Strategies towards Equal Long-term Benefit Rate
University of Maryland, College Park（马里兰大学帕克分校）；University of Southern California（南加州大学）
针对机器学习序贯决策中的长期公平性问题，提出平等长期收益率（ELBERT）概念及偏差缓解方法ELBERT-PO，通过将长期公平性纳入MDP并简化策略梯度，在保持高实用性的同时显著降低偏差。
2024-05-28 cs.CY cs.LG
A Sequential Meta-Transfer (SMT) Learning to Combat Complexities of Physics-Informed Neural Networks: Application to Composites Autoclave Processing
Materials and Manufacturing Research Institute（材料与制造研究院）；The University of British Columbia（不列颠哥伦比亚大学）
提出序列元迁移（SMT）学习框架，通过时间分段、元学习初始化与跨区间迁移，提升PINNs在长时间域强非线性系统中的训练和适配效率。
2023-08-12 cs.AI cs.LG
A Partially Observable MDP Approach for Sequential Testing for Infectious Diseases such as COVID-19
Indian Institute of Science（印度科学理工学院）；The Ohio State University（俄亥俄州立大学）
新型冠状病毒（COVID-19）的爆发正成为一场重大的国际危机，其影响延伸到我们日常生活的方方面面。有效的检测可以让受感染者被隔离，从而减少COVID-19的传播，挽救无数生命，并有助于安全可靠地重启经济。制定一个好的检测策略可以大大有助于接触者追踪，为卫生保健提供者提供有关感染患者下落的信息，以确定谁来测试。在控制病毒方面比较成功的国家通常使用"测试、治疗、追踪、测试“策略，首先测试有症状的个人，通过患者记忆、应用程序、WiFi、GPS等组合追踪测试阳性个人的接触者，接着测试它们的接触并重复该过程。问题是这样的策略是短视的，不能有效地利用测试资源。尤其是COVID-19，症状可能在感染后几天出现（或者根本没有，有证据表明许多COVID-19携带者是渐进的，但可能会传播病毒）。这种贪婪的策略错过了病毒可能处于休眠状态并在未来爆发的人口区域。在本文中，我们证明了测试问题可以被转换为一个顺序学习为基础的资源分配问题的约束，其中输入的问题是由一个随时间变化的社会接触图通过各种接触跟踪工具。然后，我们开发有效的学习策略，最大限度地减少感染个体的数量。这些策略基于策略迭代和前瞻规则。我们调查的基本性能界限，并确保我们的解决方案是强大的输入图中的错误，以及在测试本身。
2020-07-25 cs.LG math.OC stat.ML
Optimizing Item-based Marketing Promotion Efficiency in C2C Marketplace with Dynamic Sequential Coupon Allocation Framework
Mercari, Inc.（株式会社Mercari）
针对C2C市场现有促销策略独立优化、缺乏连续性且成本高的问题，提出DSCAF框架，通过双预测器和迭代决策优化多轮优惠券分配，在保障售罄率提升阈值的同时最大化长期ROI，已应用于Mercari平台。
2024-09-13 cs.LG
Chance-constrained selection of sequential intervention strategies from counterfactual estimates
Graduate School of Information, Yonsei University（延世大学信息研究生院）
本文提出预测-优化框架，通过机会约束选择控制累积成本超预算概率，在临床治疗等环境中可在点估计规则超支时维持预算，所有代码公开。
2026-08-14 cs.LG stat.ME stat.ML
An Empirical Study of Representation Learning for Reinforcement Learning in Healthcare
University of Toronto（多伦多大学）；Vector Institute（向量学院）；Adobe（奥多比）；Microsoft Research（微软研究院）
强化学习（RL）最近已被应用于序贯估计和预测问题，识别和开发脓毒症患者的假设治疗策略，特别关注观察数据的离线学习。在实践中，成功的强化学习依赖于从连续观察中获得的信息性潜在状态，以制定最佳治疗策略。到目前为止，如何最好地构建这样的国家在医疗保健环境是一个悬而未决的问题。在本文中，我们使用MIMIC-III数据集中的脓毒症患者数据对几种信息编码架构进行了实证研究，以形成患者状态的表示。我们评估了表征维度的影响，与既定敏锐度评分的相关性，以及从中得出的治疗策略。我们发现，顺序形成的状态表示有利于在批处理设置中进行有效的策略学习，验证了一种更周到的表示学习方法，该方法仍然忠实于医疗数据的顺序和部分性质。
2020-11-23 cs.LG
BlackboxNLP-2025 MIB Shared Task: Exploring Ensemble Strategies for Circuit Localization Methods
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本研究针对大型语言模型电路定位任务，提出并行与顺序集成策略，结合多种归因方法提升定位精度，并在BlackboxNLP 2025 MIB共享任务中超越官方基线。
2025-10-08 cs.CL cs.LG
Coreset-based Strategies for Robust Center-type Problems
University of Padova（帕多瓦大学）
给定来自某个度量空间的点的数据集$V$，流行的$k$ -中心问题需要识别$V$中的$k$点（中心）的子集，以最小化$V$中的任何点到其最近中心的最大距离。该问题的\emph{robust}公式具有另一个参数$z$，并允许在计算距中心的最大距离时忽略$V$的最多$z$点（离群值）。在本文中，我们专注于两个重要的约束变种的鲁棒$k$ -中心问题，即鲁棒拟阵中心（RMC）问题，其中返回中心的集合被约束为一个独立的集合的秩$k$建立在$V$，和鲁棒背包中心（RKC）问题，其中，每个元素$i\in V$被赋予正权重$w_i<1$，并且返回的中心的合计权重必须至多为1。我们设计了基于核心集的策略，这两个问题产生有效的顺序，MapReduce，和流算法。更具体地，对于任何固定的$ε>0$，算法返回具有$(3+ε)$ -近似比的解决方案，其仅仅是远离通过用于两个问题的最佳已知多项式时间序列算法可实现的3-近似的加性项$ε$。此外，该算法不经意地适应数据集的内在复杂性，由其双倍维度$D$捕获。对于宽范围的参数$k,z,ε, D$，我们得到了一个顺序算法的运行时间线性的$|V|$，和MapReduce/流算法与几轮/通过和基本上次线性的本地/工作内存。
2020-02-18 cs.DC cs.DS cs.LG
