关于最大熵采样问题的NLP-Id界的新见解
New insights into the NLP-Id bound for maximum-entropy sampling
- University of Iowa（爱荷华大学）
- Federal University of Rio de Janeiro（里约热内卢联邦大学）
- University of Michigan（密歇根大学）
- The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究针对最大熵采样问题（MESP），分析其NLP-Id上界的目标函数凹性，优化缩放参数选择，获得更宽松的参数及改进的上界。
AI中文摘要：
我们建立了最大熵采样问题（MESP）的NLP-Id上界的新性质，详细分析了其目标函数关于MESP的NLP界所用缩放参数的凹性，这使得NLP-Id的缩放参数选择更宽松，甚至能改进MESP的上界。
英文摘要：
We establish new properties of the NLP-Id upper bound for the maxi\-mum-entropy sampling problem (MESP). In particular, we give a detailed look at the concavity of its objective function as a function of the scaling parameter employed for NLP bounds for MESP. This leads to more relaxed choices for the scaling parameter for NLP-Id and even improved upper bounds for MESP.
