Progressive Identification of True Labels for Partial-Label Learning

Progressive Learning Algorithm for Efficient Person Re-Identification

This paper studies the problem of Person Re-Identification (ReID)for large-scale applications. Recent research efforts have been devoted to building complicated part models, which introduce considerably high computational cost and memory consumption, inhibiting its practicability in large-scale applications. This paper aims to develop a novel learning strategy to find efficient feature embeddings while maintaining the balance of accuracy and model complexity. More specifically, we find by enhancing the classical triplet loss together with cross-entropy loss, our method can explore the hard exa…

联合界去往何处？最优臂识别与强FWER控制

Where Does the Union Bound Go? Best-Arm Identification and Strong FWER Control

本研究探讨固定置信度最优臂识别中联合界的困惑，明确最优臂识别的两种假设定向方式，解释多重性的不同呈现形式，以跨领域术语明确其等价性。

受污染匪徒的最佳手臂识别

Best Arm Identification for Contaminated Bandits

本文研究了鲁棒统计背景下的主动学习。具体来说，我们提出了一个变种的最佳手臂识别问题的\emph{contaminated bandits}，其中每个手臂拉有概率$\varepsilon$生成一个样本从任意的污染分布，而不是真正的底层分布。目标是以高概率确定最佳（或近似最佳）真实分布，其次是保证该分布的质量。污染的强盗设置的主要挑战是，真正的分布是只有部分可识别的，即使有无限的样本。为了解决这个问题，我们开发了紧密的，非渐近的样本复杂性边界的前两个强大的时刻（中位数和中位数绝对偏差）从污染的样本的高概率估计。这些浓度不等式的主要技术贡献的文件，可能是独立的利益。利用这些结果，我们适应几个经典的最佳手臂识别算法的污染的强盗设置，并推导出样本复杂度上界为我们的问题。最后，我们提供了匹配信息理论上的样本复杂度（小对数因子）的下界。

Robust Generalization of Quadratic Neural Networks via Function Identification

A key challenge facing deep learning is that neural networks are often not robust to shifts in the underlying data distribution. We study this problem from the perspective of the statistical concept of parameter identification. Generalization bounds from learning theory often assume that the test distribution is close to the training distribution. In contrast, if we can identify the "true" parameters, then the model generalizes to arbitrary distribution shifts. However, neural networks typically have internal symmetries that make parameter identification impossible. We show that we can identif…

Twitter谣言传播与识别的信息扩散方法

An Information Diffusion Approach to Rumor Propagation and Identification on Twitter

随着越来越多地使用在线社交网络作为新闻和信息的来源，谣言广泛和迅速传播的倾向引起了极大的关注，特别是在灾害情况下，用户在做出明智的决定对似乎可信的帖子做出反应之前没有足够的时间来核实帖子。在本研究中，我们基于潜在信息和用户交互属性，通过探索微观层面错误信息传播的动态，探索Twitter上谣言的传播模式。我们执行监督学习用于特征选择和预测。在真实数据集上的实验结果表明，该模型对True和False主题的预测准确率均在90%左右。我们的研究结果证实，谣言级联运行更深，谣言掩盖的新闻，煽动恐惧的消息，将比其他消息传播得更快。我们发现，真和假消息传播的模型显着不同，无论是在预测参数和消息的功能，管理的扩散。最后，我们表明，扩散模式是一个重要的指标，在确定的可信度的鸣叫。

基于粗粒度辨识的鲁棒控制非渐近性分析

Non-Asymptotic Analysis of Robust Control from Coarse-Grained Identification

这项工作探讨了之间的权衡所需的样本个数，以准确地建立模型的动力系统和性能退化，在各种控制目标，由于粗糙的近似。特别是，我们表明，简单的模型可以很容易地从输入/输出数据，并足以实现各种控制目标。我们从一个稳定的线性定常系统，足以保证相应的有限冲激响应近似接近真实的系统中的$\mathcal{H}_\infty$ -范数的噪声输入/输出样本的数量上的界限。我们证明，这些要求低于那些在现有技术中得到的，旨在准确地识别动态模型。我们还探讨了不同的物理输入约束，如功率约束，如何影响样本的复杂性。最后，我们展示了我们的分析如何适合在既定的框架内的鲁棒控制，通过演示如何控制器设计的近似系统可证明满足真正的系统的性能目标。