Learning General Sparse Additive Models from Point Queries in High Dimensions

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F19%3A00334998" target="_blank" >RIV/68407700:21340/19:00334998 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/s00365-019-09461-6" target="_blank" >https://doi.org/10.1007/s00365-019-09461-6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s00365-019-09461-6" target="_blank" >10.1007/s00365-019-09461-6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning General Sparse Additive Models from Point Queries in High Dimensions

Popis výsledku v původním jazyce

We consider the problem of learning a d-variate function f defined on the cube, where the algorithm is assumed to have black box access to samples of f within this domain. We then focus on the setting where f has an additive structure; i.e., it can be represented as a sparse sum of j-variate components, where j runs from zero to r. We derive randomized algorithms that query f at a carefully constructed set of points and exactly recover each component with high probability. In contrast to previous work, our analysis does not rely on numerical approximation of derivatives by finite order differences.

Název v anglickém jazyce

Learning General Sparse Additive Models from Point Queries in High Dimensions

Popis výsledku anglicky

We consider the problem of learning a d-variate function f defined on the cube, where the algorithm is assumed to have black box access to samples of f within this domain. We then focus on the setting where f has an additive structure; i.e., it can be represented as a sparse sum of j-variate components, where j runs from zero to r. We derive randomized algorithms that query f at a carefully constructed set of points and exactly recover each component with high probability. In contrast to previous work, our analysis does not rely on numerical approximation of derivatives by finite order differences.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10101 - Pure mathematics

Projekt

<a href="/cs/project/GA18-00580S" target="_blank" >GA18-00580S: Prostory funkcí a aproximace</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Constructive Approximation

ISSN

0176-4276

e-ISSN

1432-0940

Svazek periodika

50

Číslo periodika v rámci svazku

3

Stát vydavatele periodika

CH - Švýcarská konfederace

Počet stran výsledku

53

Strana od-do

403-455

Kód UT WoS článku

000496021600003

EID výsledku v databázi Scopus

2-s2.0-85065425157