Zobrazeno 1 - 10
of 18 516
pro vyhledávání: '"GMMs"'
We consider the problem of private density estimation for mixtures of unrestricted high dimensional Gaussians in the agnostic setting. We prove the first upper bound on the sample complexity of this problem. Previously, private learnability of high d
Externí odkaz:
http://arxiv.org/abs/2407.04783
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We study the complexity of learning mixtures of separated Gaussians with common unknown bounded covariance matrix. Specifically, we focus on learning Gaussian mixture models (GMMs) on $\mathbb{R}^d$ of the form $P= \sum_{i=1}^k w_i \mathcal{N}(\bolds
Externí odkaz:
http://arxiv.org/abs/2306.13057
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Kalušev, Vladimir1 (AUTHOR) vladimir.kalusev@ivi.ac.rs, Popović, Branislav2 (AUTHOR) bpopovic@uns.ac.rs, Janev, Marko3 (AUTHOR) markojan@uns.ac.rs, Brkljač, Branko2 (AUTHOR) brkljacb@uns.ac.rs, Ralević, Nebojša2 (AUTHOR)
Publikováno v:
Axioms (2075-1680). Jun2023, Vol. 12 Issue 6, p535. 21p.
In learning theory, a standard assumption is that the data is generated from a finite mixture model. But what happens when the number of components is not known in advance? The problem of estimating the number of components, also called model selecti
Externí odkaz:
http://arxiv.org/abs/2106.02774
Autor:
Liu, Allen, Moitra, Ankur
In this work we solve the problem of robustly learning a high-dimensional Gaussian mixture model with $k$ components from $\epsilon$-corrupted samples up to accuracy $\widetilde{O}(\epsilon)$ in total variation distance for any constant $k$ and with
Externí odkaz:
http://arxiv.org/abs/2104.09665
Autor:
Popović, Branislav1 (AUTHOR) bpopovic@uns.ac.rs, Janev, Marko2 (AUTHOR), Krstanović, Lidija1 (AUTHOR), Simić, Nikola1 (AUTHOR), Delić, Vlado1 (AUTHOR)
Publikováno v:
Mathematics (2227-7390). Jan2023, Vol. 11 Issue 1, p175. 22p.