会员服务
相互独立的 · Extensibility · 随机变量 · 控制器 · 样本 ·
2020 年 11 月 20 日
Sharp finite-sample concentration of independent variables
翻译：独立变量集中度
Akshay Balsubramani
Akshay Balsubramani

We show an extension of Sanov's theorem on large deviations, controlling the tail probabilities of i.i.d. random variables with matching concentration and anti-concentration bounds. This result has a general scope, applies to samples of any size, and has a short information-theoretic proof using elementary techniques.


翻译：我们用大偏差来显示Sanov 理论的延伸, 控制i. id. 随机变量的尾部概率, 与浓度和抗浓缩界限相匹配。 其结果具有一般范围, 适用于任何大小的样本, 并且使用基本技术, 拥有简短的信息理论证明 。
0
下载
关闭预览

相关内容

Linux导论，Introduction to Linux，96页ppt
Linux导论，Introduction to Linux，96页ppt
专知会员服务
78+阅读 · 2020年7月26日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
94+阅读 · 2020年3月12日
【互信息与自监督学习，32页ppt】'Notes and tutorials on "Mutual information and self-supervised learning‘“
【互信息与自监督学习，32页ppt】'Notes and tutorials on "Mutual information and self-supervised learning‘“
专知会员服务
25+阅读 · 2019年12月25日
【Google】神经架构搜索（Neural Architecture Search and Beyond），Barret Zoph
【Google】神经架构搜索（Neural Architecture Search and Beyond），Barret Zoph
专知会员服务
30+阅读 · 2019年11月25日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
已删除
将门创投
3+阅读 · 2018年8月21日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Generalized Entropy Concentration for Counts
Arxiv
0+阅读 · 2021年1月8日
List-Decodable Subspace Recovery: Dimension Independent Error in Polynomial Time
Arxiv
0+阅读 · 2021年1月7日
Snappability and singularity-distance of pin-jointed body-bar frameworks
Arxiv
0+阅读 · 2021年1月7日
Analyzing Training Using Phase Transitions in Entropy---Part I: General Theory
Arxiv
0+阅读 · 2021年1月6日
Constrained Block Nonlinear Neural Dynamical Models
Arxiv
0+阅读 · 2021年1月6日
Asymptotic Behaviour of the Empirical Distance Covariance for Dependent Data
Arxiv
0+阅读 · 2021年1月5日
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
Arxiv
11+阅读 · 2018年12月6日
Detect-and-Track: Efficient Pose Estimation in Videos
Arxiv
5+阅读 · 2018年5月2日
The Search Problem in Mixture Models
Arxiv
3+阅读 · 2018年2月24日
Being Robust (in High Dimensions) Can Be Practical
Arxiv
3+阅读 · 2017年12月14日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
相互独立的
Extensibility
随机变量
控制器
样本
相关VIP内容
Linux导论，Introduction to Linux，96页ppt
Linux导论，Introduction to Linux，96页ppt
专知会员服务
78+阅读 · 2020年7月26日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
94+阅读 · 2020年3月12日
【互信息与自监督学习，32页ppt】'Notes and tutorials on "Mutual information and self-supervised learning‘“
【互信息与自监督学习，32页ppt】'Notes and tutorials on "Mutual information and self-supervised learning‘“
专知会员服务
25+阅读 · 2019年12月25日
【Google】神经架构搜索（Neural Architecture Search and Beyond），Barret Zoph
【Google】神经架构搜索（Neural Architecture Search and Beyond），Barret Zoph
专知会员服务
30+阅读 · 2019年11月25日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
热门VIP内容
相关资讯
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
已删除
将门创投
3+阅读 · 2018年8月21日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
相关论文
Generalized Entropy Concentration for Counts
Arxiv
0+阅读 · 2021年1月8日
List-Decodable Subspace Recovery: Dimension Independent Error in Polynomial Time
Arxiv
0+阅读 · 2021年1月7日
Snappability and singularity-distance of pin-jointed body-bar frameworks
Arxiv
0+阅读 · 2021年1月7日
Analyzing Training Using Phase Transitions in Entropy---Part I: General Theory
Arxiv
0+阅读 · 2021年1月6日
Constrained Block Nonlinear Neural Dynamical Models
Arxiv
0+阅读 · 2021年1月6日
Asymptotic Behaviour of the Empirical Distance Covariance for Dependent Data
Arxiv
0+阅读 · 2021年1月5日
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
Arxiv
11+阅读 · 2018年12月6日
Detect-and-Track: Efficient Pose Estimation in Videos
Arxiv
5+阅读 · 2018年5月2日
The Search Problem in Mixture Models
Arxiv
3+阅读 · 2018年2月24日
Being Robust (in High Dimensions) Can Be Practical
Arxiv
3+阅读 · 2017年12月14日
Top
微信扫码咨询专知VIP会员
Top