MARC

 008260126s2025        us                              c    eng  d
■001000017359020
■00520260202104822
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293820047
■035    ▼a(MiAaPQ)AAI32169442
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aZhao,  Boxin.▼0(orcid)0009-0005-8385-8313
■24510▼aStatistical  Learning  and  Optimization  Under  Distribution  Shift
■260    ▼a[Sl]▼bThe  University  of  Chicago▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a267  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Kolar,  Mladen;Ma,  Cong.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2025.
■520    ▼aModern  machine  learning  models  are  increasingly  deployed  in  settings  where  the  classical  assumption  of  independent  and  identically  distributed  (i.i.d.)  data  is  violated  due  to  distribution  shifts  across  domains,  populations,  or  time.  This  dissertation  develops  new  methodologies  in  statistical  learning  and  optimization  that  address  such  shifts  through  the  unifying  principle  of  adaptation-distinguishing  between  components  that  remain  stable  (preserved)  and  those  that  vary  (adapted)  across  environments.Chapter  2  introduces  Trans-Glasso,  a  two-stage  procedure  for  precision  matrix  estimation  under  distribution  shift.  The  method  exploits  a  shared  sparsity  pattern  across  domains  as  the  preserved  structure  and  adjusts  for  domain-specific  deviations  via  differential  network  estimation.  We  establish  non-asymptotic  error  bounds,  prove  minimax  optimality,  and  demonstrate  the  method's  practical  effectiveness  on  both  simulated  and  real-world  data.Chapter  3  presents  SMART,  a  spectral  regularization  framework  for  multi-task  learning.  Assuming  that  the  singular  subspaces  of  the  regression  matrix  are  preserved  while  the  projection  weights  vary  across  tasks,  SMART  estimates  the  target  model  via  a  nonconvex  optimization  problem  regularized  by  source-informed  subspaces.  The  method  is  supported  by  theoretical  guarantees  and  achieves  strong  empirical  performance.Chapter  4  introduces  an  online  client  sampling  method  for  federated  optimization  under  data  heterogeneity.  It  leverages  the  slowly  varying  informativeness  of  clients  as  the  preserved  structure  and  dynamically  adapts  the  sampling  distribution.  Formulated  as  an  online  learning  problem  with  bandit  feedback,  the  algorithm  builds  on  Online  Stochastic  Mirror  Descent  and  achieves  consistent  improvements  over  uniform  sampling  in  both  theory  and  practice.Collectively,  these  contributions  advance  a  unified  framework  for  learning  and  optimization  under  distribution  shift  by  systematically  decomposing  each  problem  into  preserved  and  adapted  components.  This  framework  enables  the  principled  design  of  algorithms  that  are  both  theoretically  grounded  and  practically  effective  in  the  presence  of  heterogeneous  data.
■590    ▼aSchool  code:  0330.
■650  4▼aStatistics
■650  4▼aComputer  science
■650  4▼aApplied  mathematics
■653    ▼aDistribution  shifts
■653    ▼aFederated  learning
■653    ▼aGraphical  models
■653    ▼aMulti-task  learning
■653    ▼aStatistical  learning
■653    ▼aTransfer  learning
■690    ▼a0463
■690    ▼a0984
■690    ▼a0364
■71020▼aThe  University  of  Chicago.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359020▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books