Buchumschlag

A Theory of Interpretable Approximations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bressan, Marco, Cesa-Bianchi, Nicolò, Esposito, Emmanuel, Mansour, Yishay, Moran, Shay, Thiessen, Maximilian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Of Dice and Games: A Theory of Generalized Boosting
von: Bressan, Marco, et al.
Veröffentlicht: (2024)

Learning Conditional Averages
von: Bressan, Marco, et al.
Veröffentlicht: (2026)

The Real Price of Bandit Information in Multiclass Classification
von: Erez, Liad, et al.
Veröffentlicht: (2024)

Fast Rates for Bandit PAC Multiclass Classification
von: Erez, Liad, et al.
Veröffentlicht: (2024)

Efficient Algorithms for Learning Monophonic Halfspaces in Graphs
von: Bressan, Marco, et al.
Veröffentlicht: (2024)

The Sample Complexity of Multiclass and Sparse Contextual Bandits
von: Erez, Liad, et al.
Veröffentlicht: (2026)

Probably Approximately Precision and Recall Learning
von: Cohen, Lee, et al.
Veröffentlicht: (2024)

Efficient Algorithms for Learning and Compressing Monophonic Halfspaces in Graphs
von: Bressan, Marco, et al.
Veröffentlicht: (2025)

Improved Regret Bounds for Bandits with Expert Advice
von: Cesa-Bianchi, Nicolò, et al.
Veröffentlicht: (2024)

Online Set Learning from Precision and Recall Feedback
von: Cohen, Lee, et al.
Veröffentlicht: (2026)

A Theoretical Framework for Statistical Evaluability of Generative Models
von: Aiyer, Shashaank, et al.
Veröffentlicht: (2026)

Learning-Augmented Algorithms with Explicit Predictors
von: Elias, Marek, et al.
Veröffentlicht: (2024)

Learnability Gaps of Strategic Classification
von: Cohen, Lee, et al.
Veröffentlicht: (2024)

Adaptive maximization of social welfare
von: Cesa-Bianchi, Nicolo, et al.
Veröffentlicht: (2023)

Learning on the Edge: Online Learning with Stochastic Feedback Graphs
von: Esposito, Emmanuel, et al.
Veröffentlicht: (2022)

Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale
von: Aiyer, Shashaank, et al.
Veröffentlicht: (2026)

Regret Minimization and Convergence to Equilibria in General-sum Markov Games
von: Erez, Liad, et al.
Veröffentlicht: (2022)

Learning from Equivalence Queries, Revisited
von: Braverman, Mark, et al.
Veröffentlicht: (2026)

Near-Optimal Regret for Distributed Adversarial Bandits: A Black-Box Approach
von: Qiu, Hao, et al.
Veröffentlicht: (2026)

Interpreting Context Look-ups in Transformers: Investigating Attention-MLP Interactions
von: Neo, Clement, et al.
Veröffentlicht: (2024)

Distributed Online Optimization with Stochastic Agent Availability
von: Achddou, Juliette, et al.
Veröffentlicht: (2024)

Sparsity-Agnostic Linear Bandits with Adaptive Adversaries
von: Jin, Tianyuan, et al.
Veröffentlicht: (2024)

Lookahead identification in adversarial bandits: accuracy and memory bounds
von: Brukhim, Nataly, et al.
Veröffentlicht: (2026)

Online Linear Regression with Paid Stochastic Features
von: Merlis, Nadav, et al.
Veröffentlicht: (2025)

Multitask Online Learning: Listen to the Neighborhood Buzz
von: Achddou, Juliette, et al.
Veröffentlicht: (2023)

Towards Interpretable Deep Generative Models via Causal Representation Learning
von: Moran, Gemma E., et al.
Veröffentlicht: (2025)

Toward a Theory of Causation for Interpreting Neural Code Models
von: Palacio, David N., et al.
Veröffentlicht: (2023)

Physics-Inspired Interpretability Of Machine Learning Models
von: Niroomand, Maximilian P, et al.
Veröffentlicht: (2023)

Convergence of Policy Mirror Descent Beyond Compatible Function Approximation
von: Sherman, Uri, et al.
Veröffentlicht: (2025)

Sample Complexity of Agnostic Multiclass Classification: Natarajan Dimension Strikes Back
von: Cohen, Alon, et al.
Veröffentlicht: (2025)

BONSAI: Bayesian Optimization with Natural Simplicity and Interpretability
von: Daulton, Samuel, et al.
Veröffentlicht: (2026)

Neural Lattice Reduction: A Self-Supervised Geometric Deep Learning Approach
von: Marchetti, Giovanni Luca, et al.
Veröffentlicht: (2023)

Progressive Approximation in Deep Residual Networks: Theory and Validation
von: Wang, Wei, et al.
Veröffentlicht: (2026)

A Unified Theory of Compositionality, Modularity, and Interpretability in Markov Decision Processes
von: Ringstrom, Thomas J., et al.
Veröffentlicht: (2025)

Competition-Aware CPC Forecasting with Near-Market Coverage
von: Frey, Sebastian, et al.
Veröffentlicht: (2026)

Instance-Dependent Regret Bounds for Nonstochastic Linear Partial Monitoring
von: Di Gennaro, Federico, et al.
Veröffentlicht: (2025)

Interpretable Representations in Explainable AI: From Theory to Practice
von: Sokol, Kacper, et al.
Veröffentlicht: (2020)

The Hidden Cost of Approximation in Online Mirror Descent
von: Schlisselberg, Ofir, et al.
Veröffentlicht: (2025)

Dynamic Universal Approximation Theory: Foundations for Parallelism in Neural Networks
von: Wang, Wei, et al.
Veröffentlicht: (2024)

A Perturbation Approach to Unconstrained Linear Bandits
von: Jacobsen, Andrew, et al.
Veröffentlicht: (2026)