MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933435
■00520240214101246
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380413930
■035    ▼a(MiAaPQ)AAI30529232
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aYan,  Yuling.
■24510▼aStatistical  Learning  and  Optimal  Decision  Making  Under  Uncertainty▼h[electronic  resource]
■260    ▼a[S.l.]:▼bPrinceton  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(732  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Chen,  Yuxin;Fan,  Jianqing.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRecent  years  have  witnessed  an  explosion  of  interest  in  designing  statistical  and  decision  making  algorithms  that  are  computationally  efficient  and  statistically  accurate,  along  with  quantitative  measures  of  uncertainty  or  risk.  In  this  thesis,  we  make  contribution  towards  this  end  for  several  widely  encountered  problems  in  statistics,  machine  learning,  and  data  science.  •  Starting  with  estimation  algorithms,  we  show  that  a  principled  convex  program  achieves  near-optimal  statistical  accuracy  for  robust  PCA  (i.e.,  low-rank  matrix  estimation  in  the  presence  of  noise,  missing  data  and  outliers).  We  also  design  an  efficient  gradient  descent  algorithm  for  computing  the  nonparametric  MLE  of  Gaussian  mixture  models  with  provable  convergence  guarantees.•  In  terms  of  uncertainty  quantification  for  estimation  algorithms,  under  a  spiked  covariance  model,  we  propose  a  novel  approach  for  performing  valid  statistical    inference  for  PCA,  which  enables  computation  of  both  confidence  regions  for  the  principal  subspace  and  entrywise  confidence  intervals  for  the  covariance  matrix.•  Finally,  for  decision  making  problems,  we  develop  two  efficient  offline  reinforcement  learning  algorithms,  which  cover  both  the  single-  and  multi-agent  case  respectively,  that  achieves  optimal  sample  complexity  in  finding  optimal  policy  or  Nash  equilibrium.  In  addition,  we  also  design  an  Isotonic  Mechanism  to  enhance  peer  review  in  machine  learning  and  artificial  intelligence  conferences.All  of  this  is  enabled  by  an  integrated  consideration  of  statistics,  optimization,  and  decision  theory,  and  requires  bringing  together  tools  from  a  broad  spectrum  of  foundational  areas  including  random  matrix  theory,  high-dimensional  probability,  PDE,  Riemannian  geometry,  stochastic  process,  and  game  theory.
■590    ▼aSchool  code:  0181.
■650  4▼aStatistics.
■653    ▼aReinforcement  learning  algorithms
■653    ▼aStatistical  learning
■653    ▼aDecision  making
■653    ▼aGaussian  mixture  models
■690    ▼a0463
■690    ▼a0796
■690    ▼a0800
■71020▼aPrinceton  University▼bOperations  Research  and  Financial  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933435▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books