经验研究科学家,元,元,2020年,兼职(兼职)研究科学总监和网站负责人,Facebook人工智能智能研究,Menlo Park,2018年和2019年EECS部主席,EECS,UC Berkeley,UC Berkeley,2016- 2017年,2016年至2017年访问研究科学家,Google,Google,2015-2016成员,2015-2016成员,2015-2016委员会,2015-2011113-220。工程学院,2010 - 2012年,自2009年1月以来,加州大学伯克利分校生物工程教授。主席,伯克利分校EECS部,2004 - 2006年。主席,计算机科学部,EECS,加州大学伯克利分校,2002- 2004年。科学主任,雅虎!研究伯克利研究,2007年1月至6月(访问)教授,EECS,UC Berkeley,自1996年7月起。EECS副教授,加州大学伯克利分校,1991年7月至6月1996年。EECS助理教授,加州大学伯克利分校,1986年1月至6月1991年。成员,伯克利分校的视觉科学与认知科学团体。
𝜎次数均匀分布的时间;然后,大自然从此分布中取出输入。在这里,𝜎是一个参数,在最坏情况和平均病例分析的极端之间进行了插值。至关重要的是,我们的结果适用于自适应对手,这些对手可以基于其在算法的决策中选择输入分布以及以前时间步骤中输入的实现。自适应对手可以在不同的时间步骤中与算法的当前状态在不同的时间步骤中进行非琐事相关。这似乎排除了平滑分析中的标准证明方法。本文提出了一种通用技术,用于证明针对自适应对手的平滑算法保证,实际上将适应性对手的设置减少到更简单的对手的情况下(即,在整个输入分布序列中都提前承诺的对手)。我们将此技术应用于三种不同的问题: