Algorithmic Learning Theory: 21st International Conference, ALT 2010, Canberra, Australia, October 6-8, 2010. Proceedings de Marcus Hutter

Algorithmic Learning Theory: 21st International Conference, ALT 2010, Canberra, Australia, October 6-8, 2010. Proceedings: Lecture Notes in Computer Science, cartea 6331

Editat de Marcus Hutter, Frank Stephan, Vladimir Vovk, Thomas Zeugmann

en Limba Engleză Paperback – 27 sep 2010

Actualizarea adusă de ediția a 21-a a conferinței Algorithmic Learning Theory marchează o consolidare a fundamentelor teoretice în raport cu sesiunile precedente, punând un accent sporit pe intersecția dintre statistica computațională și teoria jocurilor. Remarcăm integrarea unor teme avansate precum limitele de pierdere relativă (relative loss bounds) și complexitatea Kolmogorov, elemente care extind cadrul tradițional al învățării automate către modele de predicție universală.

Poziționată strategic în continuarea cercetărilor editorului Marcus Hutter, reflectate în titluri precum Universal Artificial Intelligence sau An Introduction to Universal Artificial Intelligence, această lucrare rafinează conceptele de agenți inteligenți care operează în medii necunoscute. Dacă în lucrările sale anterioare Hutter explora cadrul formal al inteligenței universale, volumul de față, parte din prestigioasa serie Lecture Notes in Computer Science, oferă implementări și demonstrații matematice riguroase pentru probleme specifice de inferență inductivă și învățare online.

Structura volumului este organizată meticulos, începând cu cinci lucrări invitate care trasează direcțiile actuale în inferența gramaticală și algoritmii de actualizare multiplicativă. Secțiunea de contribuții regulate progresează de la metode de selecție a trăsăturilor și învățare activă Bayesiană către demonstrații complexe privind stabilitatea boosting-ului și abordări spectrale pentru arbori probabilistici. Descoperim aici o acoperire tehnică vastă, de la optimizarea PageRank prin reformularea drumului critic stocastic, până la inferența rețelelor sociale din focare (outbreaks), oferind o imagine de ansamblu asupra stadiului cercetării în 2010.

Citește tot Restrânge

Din seria Lecture Notes in Computer Science

Preț: 327^.54 lei

Preț vechi: 409^.42 lei
-20%

Puncte Express: 491

Carte disponibilă

Livrare economică 27 mai-10 iunie

Adaugă în coș

Wish list
Gift list
Am citit!

Adaugă în listă

Specificații

ISBN-13: 9783642161070
ISBN-10: 3642161073
Pagini: 434
Ilustrații: XIII, 421 p. 45 illus.
Greutate: 0.64 kg
Ediția:2010
Editura: Springer Berlin, Heidelberg
Colecția Springer
Seriile Lecture Notes in Computer Science, Lecture Notes in Artificial Intelligence

Locul publicării:Berlin, Heidelberg, Germany

Public țintă

Research

De ce să citești această carte

Pentru cercetătorii în informatică și inteligență artificială, acest volum este o resursă fundamentală care oferă demonstrații matematice pentru algoritmi de învățare. Cititorul câștigă acces la metodologii riguroase de validare a modelelor, de la complexitatea învățării la rețele Bayesiene, esențiale pentru dezvoltarea unor sisteme de învățare automată robuste și predictibile.

Despre autor

Marcus Hutter este un cercetător de renume în domeniul inteligenței artificiale, obținând doctoratul în fizica teoretică a particulelor înainte de a se dedica informaticii. Expertiza sa acoperă teoria informației algoritmice, învățarea prin întărire și inducția universală. A activat la institutul IDSIA din Elveția și este autorul unor lucrări de referință despre inteligența artificială universală, teme care se regăsesc și în coordonarea acestui volum academic dedicat teoriei algoritmice a învățării.

Descriere scurtă

This volume contains the papers presented at the 21st International Conf- ence on Algorithmic Learning Theory (ALT 2010), which was held in Canberra, Australia, October 6–8, 2010. The conference was co-located with the 13th - ternational Conference on Discovery Science (DS 2010) and with the Machine Learning Summer School, which was held just before ALT 2010. The tech- cal program of ALT 2010, contained 26 papers selected from 44 submissions and ?ve invited talks. The invited talks were presented in joint sessions of both conferences. ALT 2010 was dedicated to the theoretical foundations of machine learning and took place on the campus of the Australian National University, Canberra, Australia. ALT provides a forum for high-quality talks with a strong theore- cal background and scienti?c interchange in areas such as inductive inference, universal prediction, teaching models, grammatical inference, formal languages, inductive logic programming, query learning, complexity of learning, on-line learning and relative loss bounds, semi-supervised and unsupervised learning, clustering,activelearning,statisticallearning,supportvectormachines,Vapnik- Chervonenkisdimension,probablyapproximatelycorrectlearning,Bayesianand causal networks, boosting and bagging, information-based methods, minimum descriptionlength,Kolmogorovcomplexity,kernels,graphlearning,decisiontree methods, Markov decision processes, reinforcement learning, and real-world - plications of algorithmic learning theory. DS 2010 was the 13th International Conference on Discovery Science and focused on the development and analysis of methods for intelligent data an- ysis, knowledge discovery and machine learning, as well as their application to scienti?c knowledge discovery. As is the tradition, it wasco-located and held in parallel with Algorithmic Learning Theory.

Cuprins

Editors’ Introduction.- Editors’ Introduction.- Invited Papers.- Towards General Algorithms for Grammatical Inference.- The Blessing and the Curse of the Multiplicative Updates.- Discovery of Abstract Concepts by a Robot.- Contrast Pattern Mining and Its Application for Building Robust Classifiers.- Optimal Online Prediction in Adversarial Environments.- Regular Contributions.- An Algorithm for Iterative Selection of Blocks of Features.- Bayesian Active Learning Using Arbitrary Binary Valued Queries.- Approximation Stability and Boosting.- A Spectral Approach for Probabilistic Grammatical Inference on Trees.- PageRank Optimization in Polynomial Time by Stochastic Shortest Path Reformulation.- Inferring Social Networks from Outbreaks.- Distribution-Dependent PAC-Bayes Priors.- PAC Learnability of a Concept Class under Non-atomic Measures: A Problem by Vidyasagar.- A PAC-Bayes Bound for Tailored Density Estimation.- Compressed Learning with Regular Concept.- A Lower Bound for Learning Distributions Generated by Probabilistic Automata.- Lower Bounds on Learning Random Structures with Statistical Queries.- Recursive Teaching Dimension, Learning Complexity, and Maximum Classes.- Toward a Classification of Finite Partial-Monitoring Games.- Switching Investments.- Prediction with Expert Advice under Discounted Loss.- A Regularization Approach to Metrical Task Systems.- Solutions to Open Questions for Non-U-Shaped Learning with Memory Limitations.- Learning without Coding.- Learning Figures with the Hausdorff Metric by Fractals.- Inductive Inference of Languages from Samplings.- Optimality Issues of Universal Greedy Agents with Static Priors.- Consistency of Feature Markov Processes.- Algorithms for Adversarial Bandit Problems with Multiple Plays.- Online Multiple KernelLearning: Algorithms and Mistake Bounds.- An Identity for Kernel Ridge Regression.

Caracteristici

unique visibility, state-of-the-art survey, fast-track conference proceedings