统计学 > 机器学习
[提交于 2012年8月12日
]
标题: 如果你必须采样:关于最优函数采样的方法
标题: How to sample if you must: on optimal functional sampling
摘要: 我们研究了一个基本问题,该问题建模了各种主动采样设置,例如网络层析成像。 我们分析了从多元正态分布中采样的问题,其中期望值未知且需要估计:在我们的设定中,可以从一组给定的线性泛函中采样分布,并且所面临的问题是如何最优地选择组合以实现低估计误差。 尽管这个问题处于最优设计领域的核心位置,但对于存在许多泛函的情况,尚未有高效的解决方案。 我们为更结构化的集合(例如由图遍历诱导的二元泛函)提出了此问题的一些界和次优解。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.