XiaoMi-AI文件搜索系统
World File Search System近似算法
深度循环网络预测绝热量子计算中的间隙演变
在绝热量子计算中，找到汉密尔顿量间隙随绝热扫描过程中变化的参数的依赖关系对于优化计算速度至关重要。受这一挑战的启发，在本文中，我们探索了深度学习的潜力，即应用不同的网络架构发现从完全识别问题汉密尔顿量的参数到前面提到的间隙参数依赖性的映射。通过这个例子，我们推测这类问题可学习性的一个限制因素是输入的大小，也就是说，识别汉密尔顿量所需的参数数量如何随系统大小而变化。我们表明，当参数空间随系统大小线性扩展时，长短期记忆网络能够成功预测间隙。值得注意的是，我们表明，一旦将这种架构与卷积神经网络相结合来处理模型的空间结构，甚至可以预测比神经网络在训练期间看到的系统尺寸更大的系统尺寸的间隙演变。与现有的计算间隙的精确和近似算法相比，这提供了显著的速度提升。
![b'in最近的地标结果[Ji等。 ，Arxiv：2001.04383（2020）]，显示在允许玩家共享无界维度的量子状态时，近似于两人游戏的值是不可决定的。在本文中，我们研究了量子系统的尺寸在t界面时，我们研究了两人游戏的计算复杂性。更具体地说，我们给出一个大小的半决赛程序，以实验12（log 2（at） + log（q）log（at）） /\ xcf \ xb5 2来计算添加剂\ xcf \ xb5-对具有T \ xc3 \ XC3 \ xc97 t -dimemensional量的两种玩法游戏的值的近似值 - 分别。对于固定尺寸t，此尺寸在Q中以q和准溶解度为单位，从而改善了先前已知的近似算法，而最差的运行时间保证最多在q和a中是指数。为了证明，我们与量子可分离性问题建立了联系，并采用了改进的多部分量子finetti定理，并具有线性约束，我们通过量子熵不平等得出。](/simg/g:\will\search\icon\source\1\1eb8edb93c176a0334628f287995a2757f02cfe3.webp)
b'in最近的地标结果[Ji等。 ，Arxiv：2001.04383（2020）]，显示在允许玩家共享无界维度的量子状态时，近似于两人游戏的值是不可决定的。在本文中，我们研究了量子系统的尺寸在t界面时，我们研究了两人游戏的计算复杂性。更具体地说，我们给出一个大小的半决赛程序，以实验12（log 2（at） + log（q）log（at）） /\ xcf \ xb5 2来计算添加剂\ xcf \ xb5-对具有T \ xc3 \ XC3 \ xc97 t -dimemensional量的两种玩法游戏的值的近似值 - 分别。对于固定尺寸t，此尺寸在Q中以q和准溶解度为单位，从而改善了先前已知的近似算法，而最差的运行时间保证最多在q和a中是指数。为了证明，我们与量子可分离性问题建立了联系，并采用了改进的多部分量子finetti定理，并具有线性约束，我们通过量子熵不平等得出。
b'in最近的地标结果[Ji等。，arxiv：2001.04383（2020）]，显示在允许玩家共享无限维度的量子状态时，近似两人游戏的值是不可决定的。在本文中，我们研究了量子系统的尺寸在t界定时，两人游戏的计算复杂性。更具体地说，我们给出一个半尺寸的尺寸的程序，以实验12（log 2（at） + log（q）log（at）） /\ xcf \ xb5 2来计算附加\ xcf \ xb5-关于具有T \ xc3 \ x97 t -dimum量的两次播放游戏的值的附加值，近似值，该量的量游戏分别。对于固定尺寸t，这在Q中以Q和准多态的多项式缩放在A中，从而改善了先前已知的近似算法，其中最差的运行时保证最充其量是Q和A中的指数。为了证明，我们与量子可分离性问题建立了联系，并采用了改进的多部分量子finetti定理，并具有线性约束，我们通过量子熵不等式得出。
颠倒 - 提升学习学习 -
摘要。无模型增强学习（RL）算法要么学习如何将状态映射到预期的奖励，要么搜索可以最大程度地提高某些性能功能的策略。基于模型的算法，旨在学习RL环境的基础模型的近似值，然后将其与计划算法结合使用。倒置强化学习（UDRL）是一种新颖的学习范式，旨在学习如何从国家和所需命令中预测行动。此任务是作为监督学习（SL）问题提出的，并已通过神经网络（NNS）成功解决。在本文中，我们研究了功能近似算法是否也可以在UDRL框架中使用。在几个流行的最佳控制基准上执行的我们的经验表明，基于树木的方法（如随机森林和极端的树木）的性能和NNS的性能一样，具有显着的好处，从而产生了固有的策略，这些政策本质上比NN更容易解释，因此为更多的透明，安全，安全和强大的，强大的，强大的RL铺平了道路。
已发布版本的引用 (APA)：Apers, S., & de Wolf, R. (2020)。图稀疏化、切割近似和拉普拉斯算子求解器的量子加速
图稀疏化是大量算法的基础，从切割问题的近似算法到图拉普拉斯算子的线性系统求解器。在其最强形式中，“谱稀疏化”将边数减少到节点数的近似线性，同时近似地保留图的切割和谱结构。在这项工作中，我们展示了谱稀疏化及其许多应用的多项式量子加速。具体而言，我们给出了一种量子算法，给定一个具有 n 个节点和 m 条边的加权图，在亚线性时间内输出 ϵ -谱稀疏器的经典描述 e O ( √ mn/ϵ )。这与最佳经典复杂度 e O ( m ) 形成对比。我们还证明我们的量子算法在多对数因子范围内是最优的。该算法建立在一系列关于稀疏化、图扩展器、最短路径量子算法和 k 向独立随机字符串的有效构造方面的现有成果之上。我们的算法意味着解决拉普拉斯系统和近似一系列切割问题（例如最小切割和最稀疏切割）的量子加速。
信息论和变分推断的平方和松弛
我们考虑香农相对熵的扩展，称为 f -散度。三个经典的相关计算问题通常与这些散度有关：(a) 根据矩进行估计，(b) 计算正则化积分，和 (c) 概率模型中的变分推断。这些问题通过凸对偶相互关联，并且对于所有这些问题，在整个数据科学中都有许多应用，我们的目标是计算上可处理的近似算法，这些算法可以保留原始问题的属性，例如潜在凸性或单调性。为了实现这一点，我们推导出一系列凸松弛，用于从与给定特征向量相关的非中心协方差矩阵计算这些散度：从通常不易处理的最佳下限开始，我们考虑基于“平方和”的额外松弛，现在它可以作为半定程序在多项式时间内计算。我们还基于来自量子信息理论的谱信息散度提供了计算效率更高的松弛。对于上述所有任务，除了提出新的松弛之外，我们还推导出易于处理的凸优化算法，并给出了多元三角多项式和布尔超立方体上的函数的说明。
学习增强的最大独立集-DROPS
找到最大独立集是经典的NP - 硬性问题之一[42]。此外，[36，60]的开创性工作证明了近似MIS的大小至在任何δ> 0的n 1-δ以内的NP硬度。相比之下，输出任何一个顶点都可以琐碎地给出n- apptroximation。[10]给出了一个非平凡的O（n/ log 2 n） - 近似MIS，后来[29]改进了这一点。这些结果表明，该问题的一般形式很难，因此，许多研究工作已致力于在特殊情况下进行近似算法，例如平面图[3，47]，矩形交流图[16，22，32]，and Expiented-timential-pimential-pimential-time algorith算法[51，31，31，59，59，59，59，59，12]。另一方面，启发式算法尽管有糟糕的案例保证，但在现实世界图上通常表现出值得称赞的表现[4，24，57]。例如，贪婪算法仅提供O（∆）的近似保证，其中∆是g的最大程度。但是，它经常产生令人满意的经验结果。最差的硬度硬度和实际效率之间的差距激发了我们通过超出最坏情况分析的视角研究MIS问题[11，52]。，特别是在现代背景下，我们提出了一个问题的问题，该问题是通过学习吸引人的甲壳的最大独立集。
算法和硬度用于估计统计相似性
我们研究了计算概率分布之间统计相似性的问题。对于有限的样品空间上的分布P和Q，它们的统计相似性定义为S Stat（P，Q）：= P X Min（p（x），q（x））。统计相似性是分布之间相似性的基本量度，具有几种自然解释，并捕获了预测和假设测试问题中的贝叶斯错误。最近的工作已经确定，有些令人惊讶的是，即使对于简单的产品分布，精确的计算统计相似性也是＃p -hard。这激发了设计统计相似性的近似算法的问题。我们的主要贡献是用于估计两个产品分布之间统计相似性的完全多项式确定性近似方案（FPTA）。为了获得此结果，我们引入了背包问题的新变体，我们称之为“掩盖背包”问题，并设计了一个FPTA，以估算此问题的多维版本的解决方案数量。这种新的技术贡献可能具有独立的利益。此外，我们还建立了一个完全的硬度结果。我们表明，当p和q是估计统计相似性的NP -HARD是内度2的贝叶斯净分布时。
移动边缘中的节能计算卸载...
摘要 - 1对于移动边缘计算（MEC）来说是必不可少的。它使用边缘资源来启用密集计算并为资源受限设备节省能源。现有作品通常在无线电渠道和网络队列大小上施加了强有力的假设。但是，实用的MEC系统受到各种不确定性的影响，使这些假设不切实际。在本文中，我们通过放松这些综合假设并考虑网络中的固有不确定性来研究流动问题的能量计算。特别是，我们在执行以有向的无环图建模的时间关键时期应用程序时，将本地设备的最糟糕的预期能量消耗降至最低。我们采用极值理论来约束不确定事件的发生概率。为了解决公式的问题，我们基于列的生成开发了ǫ结合的近似算法。所提出的算法可以有效地识别小于最佳算法的（1+）的可行解决方案。我们在Android智能手机上实施了计划方案，并使用现实世界应用进行了大量实验。实验结果证实，通过考虑在弹药的计算过程中，通过考虑固有的不确定性，它将导致客户设备的能耗降低。所提出的弹性方案的计算在节能方面还显着优于其他方案。
信息论和变分推断的平方和松弛
摘要 我们考虑香农相对熵的扩展，称为 f -散度。三个经典的相关计算问题通常与这些散度有关：(a) 根据矩进行估计，(b) 计算正则化积分，以及 (c) 概率模型中的变分推断。这些问题通过凸对偶相互关联，并且对于所有这些问题，在整个数据科学中都有许多应用，我们的目标是计算上可处理的近似算法，这些算法可以保留原始问题的属性，例如潜在凸性或单调性。为了实现这一点，我们推导出一系列凸松弛，用于从与给定特征向量相关的非中心协方差矩阵计算这些散度：从通常不易处理的最佳下限开始，我们考虑基于“平方和”的额外松弛，现在它可以作为半定程序在多项式时间内计算。我们还提供了基于量子信息理论的谱信息散度的计算效率更高的松弛方法。对于上述所有任务，除了提出新的松弛方法外，我们还推导出易于处理的凸优化算法，并给出了多元三角多项式和布尔超立方体上的函数的说明。
debmalya panigrahi-杜克计算机科学
我对理论计算机科学非常感兴趣，尤其是对算法的设计和分析。我的主要研究推力是不确定性下的图算法和算法。在图算法中，我对网络流，图形切割和连接性的研究感兴趣。最近的一些亮点包括打破60年历史的全对最大流量的立方运行时屏障以及用于顶点连接性和（确定性）最低速度的最接近最佳算法。在不确定性的算法中，我对在线算法的经典竞争分析以及利用机器学习来克服最坏情况绩效障碍感兴趣。最近的亮点包括通过分层LP的K -Server和K -Taxi的多结构竞争比，以及用于基本在线问题的学习效果算法的几种结果。我也对近似算法，组合优化和算法游戏理论感兴趣。除了理论研究外，我还对实践问题的算法设计感兴趣。这包括用于在线搜索，广告，社交网络和电子商务的算法，计算机网络的设计和管理，数据库管理和查询处理算法以及具有人工智能中应用的算法。我已经与这些领域的研究人员合作设计了实用，可实施且可扩展的算法。这项工作的大部分已在应用领域的同行评审场所发表，其中一些已导致了原型或产品的专利和部署。