CAREER: Efficient Algorithms for Learning and Testing Structured Probabilistic Models
职业:学习和测试结构化概率模型的有效算法
基本信息
- 批准号:1652862
- 负责人:
- 金额:$ 54万
- 依托单位:
- 依托单位国家:美国
- 项目类别:Continuing Grant
- 财政年份:2017
- 资助国家:美国
- 起止时间:2017-02-01 至 2020-03-31
- 项目状态:已结题
- 来源:
- 关键词:
项目摘要
In recent years, the amount of available data in science and technology has exploded and is currently expanding at an unprecedented rate. The general task of making accurate inferences on large and complex datasets has become a major bottleneck across various disciplines. A natural formalization of such inference tasks involves viewing the data as random samples drawn from a probabilistic model -- a model that we believe describes the process generating the data. The overarching goal of this project is to obtain a refined understanding of these inference tasks from both statistical and computational perspectives. The questions addressed in this project arise from pressing challenges faced in modern data analysis. A crucial component of the project involves fostering collaboration between different communities. Furthermore, the PI will mentor high-school and undergraduate students, and design several new theory courses integrating research and teaching at the undergraduate and graduate levels.The PI will investigate several fundamental algorithmic questions in unsupervised learning and testing for which there is an alarming gap in our current understanding. These include designing efficient algorithms that are stable in the presence of deviations from the assumed model, circumventing the curse of dimensionality in distribution learning, and testing high-dimensional probabilistic models. This set of directions could lead to new algorithmic and probabilistic techniques, and offer insights into the interplay between structure and efficiency in unsupervised estimation. This research ties into a broader range of work across computer science, probability, statistics, and information theory.
近年来,科学技术中的可用数据数量已经爆炸,目前正在以前所未有的速度扩展。对大型和复杂数据集进行准确推断的一般任务已成为各个学科的主要瓶颈。这种推理任务的自然形式化涉及将数据视为从概率模型中绘制的随机样本 - 我们相信的模型描述了生成数据的过程。该项目的总体目标是从统计和计算角度获得对这些推论任务的精致理解。该项目中解决的问题是由现代数据分析中面临的紧迫挑战引起的。该项目的关键组成部分是促进不同社区之间的合作。此外,PI将指导高中生和本科生,并设计了几门新的理论课程,以整合本科和研究生级的研究和教学。PI将在我们当前的理解中研究一些无监督的学习和测试中的几个基本算法问题。这些包括设计有效的算法,这些算法在与假定模型的偏差存在下稳定,规避分布学习中维度的诅咒,并测试高维概率模型。这组方向可能导致新的算法和概率技术,并在无监督的估计中提供有关结构与效率之间相互作用的见解。这项研究与计算机科学,概率,统计和信息理论的更广泛的工作有关。
项目成果
期刊论文数量(18)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
Outlier-Robust Learning of Ising Models Under Dobrushin’s Condition
Dobrushin 条件下 Ising 模型的离群稳健学习
- DOI:
- 发表时间:2021
- 期刊:
- 影响因子:0
- 作者:Ilias Diakonikolas;Daniel M. Kane;Alistair Stewart;Yuxin Sun
- 通讯作者:Yuxin Sun
Robustly learning mixtures of k arbitrary Gaussians
鲁棒地学习 k 个任意高斯的混合
- DOI:10.1145/3519935.3519953
- 发表时间:2022
- 期刊:
- 影响因子:0
- 作者:Bakshi, Ainesh;Diakonikolas, Ilias;Jia, He;Kane, Daniel M.;Kothari, Pravesh K.;Vempala, Santosh S.
- 通讯作者:Vempala, Santosh S.
Testing Shape Restrictions of Discrete Distributions
测试离散分布的形状限制
- DOI:
- 发表时间:2016
- 期刊:
- 影响因子:0
- 作者:Canonne, C.L.
- 通讯作者:Canonne, C.L.
Testing Conditional Independence of Discrete Distributions
- DOI:10.1145/3188745.3188756
- 发表时间:2017-11
- 期刊:
- 影响因子:0
- 作者:C. Canonne;Ilias Diakonikolas;D. Kane;Alistair Stewart
- 通讯作者:C. Canonne;Ilias Diakonikolas;D. Kane;Alistair Stewart
Testing for Families of Distributions via the Fourier Transform
通过傅里叶变换测试分布族
- DOI:
- 发表时间:2018
- 期刊:
- 影响因子:0
- 作者:Canonne, Clement;Diakonikolas, Ilias;Stewart, Alistair
- 通讯作者:Stewart, Alistair
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
数据更新时间:{{ journalArticles.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ monograph.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ sciAawards.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ conferencePapers.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ patent.updateTime }}
Ilias Diakonikolas其他文献
A Regularity Lemma, and Low-Weight Approximators, for Low-Degree Polynomial Threshold Functions
低次多项式阈值函数的正则引理和低权重近似器
- DOI:
- 发表时间:
2009 - 期刊:
- 影响因子:0
- 作者:
Ilias Diakonikolas;R. Servedio;Li;Andrew Wan - 通讯作者:
Andrew Wan
Super Non-singular Decompositions of Polynomials and Their Application to Robustly Learning Low-Degree PTFs
多项式的超非奇异分解及其在鲁棒学习低次 PTF 中的应用
- DOI:
- 发表时间:
2024 - 期刊:
- 影响因子:0
- 作者:
Ilias Diakonikolas;Daniel Kane;Vasilis Kontonis;Sihan Liu;Nikos Zarifis - 通讯作者:
Nikos Zarifis
Online Learning of Halfspaces with Massart Noise
使用 Massart 噪声在线学习半空间
- DOI:
10.48550/arxiv.2405.12958 - 发表时间:
2024 - 期刊:
- 影响因子:0
- 作者:
Ilias Diakonikolas;Vasilis Kontonis;Christos Tzamos;Nikos Zarifis - 通讯作者:
Nikos Zarifis
Threshold Phenomena in Learning Halfspaces with Massart Noise
使用 Massart 噪声学习半空间的阈值现象
- DOI:
- 发表时间:
2021 - 期刊:
- 影响因子:0
- 作者:
Ilias Diakonikolas;D. Kane;Vasilis Kontonis;Christos Tzamos;Nikos Zarifis - 通讯作者:
Nikos Zarifis
Near-Optimal Closeness Testing of Discrete Histogram Distributions
离散直方图分布的近最优紧密度测试
- DOI:
- 发表时间:
2017 - 期刊:
- 影响因子:0
- 作者:
Ilias Diakonikolas;D. Kane;Vladimir Nikishkin - 通讯作者:
Vladimir Nikishkin
Ilias Diakonikolas的其他文献
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
{{ truncateString('Ilias Diakonikolas', 18)}}的其他基金
CAREER: Learning Algorithms with Robustness and Efficiency Guarantees
职业:学习具有鲁棒性和效率保证的算法
- 批准号:
2144298 - 财政年份:2022
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
Collaborative Research: AF: Medium: Algorithmic High-Dimensional Robust Statistics
合作研究:AF:中:算法高维稳健统计
- 批准号:
2107079 - 财政年份:2021
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
AitF: Collaborative Research: Fast, Accurate, and Practical: Adaptive Sublinear Algorithms for Scalable Visualization
AitF:协作研究:快速、准确和实用:用于可扩展可视化的自适应次线性算法
- 批准号:
2006206 - 财政年份:2019
- 资助金额:
$ 54万 - 项目类别:
Standard Grant
CAREER: Efficient Algorithms for Learning and Testing Structured Probabilistic Models
职业:学习和测试结构化概率模型的有效算法
- 批准号:
2011255 - 财政年份:2019
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
AitF: Collaborative Research: Fast, Accurate, and Practical: Adaptive Sublinear Algorithms for Scalable Visualization
AitF:协作研究:快速、准确和实用:用于可扩展可视化的自适应次线性算法
- 批准号:
1733796 - 财政年份:2017
- 资助金额:
$ 54万 - 项目类别:
Standard Grant
Sublinear Algorithms for Approximating Probability Distributions
用于近似概率分布的次线性算法
- 批准号:
EP/L021749/1 - 财政年份:2014
- 资助金额:
$ 54万 - 项目类别:
Research Grant
相似国自然基金
考虑桩-土-水耦合效应的饱和砂土变形与流动问题的SPH模型与高效算法研究
- 批准号:12302257
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
非光滑Dirac方程的高效数值算法和分析
- 批准号:12371395
- 批准年份:2023
- 资助金额:43.5 万元
- 项目类别:面上项目
随机阻尼波动方程的高效保结构算法研究
- 批准号:12301518
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
针对人工表面等离激元器件多尺度电磁隐身问题的高效DGTD-HDGTD混合时域算法的研究
- 批准号:62301133
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
利用细胞内RNA结构信息结合深度学习算法设计高效细胞环境特异的CRISPR-Cas13d gRNA
- 批准号:32300521
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
相似海外基金
CAREER: Blessing of Nonconvexity in Machine Learning - Landscape Analysis and Efficient Algorithms
职业:机器学习中非凸性的祝福 - 景观分析和高效算法
- 批准号:
2337776 - 财政年份:2024
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
CAREER: Efficient Algorithms for Modern Computer Architecture
职业:现代计算机架构的高效算法
- 批准号:
2339310 - 财政年份:2024
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
CAREER: A Theoretical Exploration of Efficient and Accurate Clustering Algorithms
职业生涯:高效准确聚类算法的理论探索
- 批准号:
2337832 - 财政年份:2024
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
CAREER: Computation-efficient Algorithms for Grid-scale Energy Storage Control, Bidding, and Integration Analysis
职业:用于电网规模储能控制、竞价和集成分析的计算高效算法
- 批准号:
2239046 - 财政年份:2023
- 资助金额:
$ 54万 - 项目类别:
Continuing Grant
Risk stratifying indeterminate pulmonary nodules with jointly learned features from longitudinal radiologic and clinical big data
利用纵向放射学和临床大数据共同学习的特征对不确定的肺结节进行风险分层
- 批准号:
10678264 - 财政年份:2023
- 资助金额:
$ 54万 - 项目类别: