Buchumschlag

Efficient and Provable Algorithms for Covariate Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Adil, Deeksha, Błasiok, Jarosław
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Data Structures and Algorithms
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On efficient robust regression with subquadratic samples
von: Adil, Deeksha, et al.
Veröffentlicht: (2026)

Tolerant Algorithms for Learning with Arbitrary Covariate Shift
von: Goel, Surbhi, et al.
Veröffentlicht: (2024)

A Provably Accurate Randomized Sampling Algorithm for Logistic Regression
von: Chowdhury, Agniva, et al.
Veröffentlicht: (2024)

Inner Product Aware Quantization: Provably Fast, Accurate, and Adaptive Algorithms
von: White, Nathan, et al.
Veröffentlicht: (2026)

Decremental $(1+ε)$-Approximate Maximum Eigenvector: Dynamic Power Method
von: Adil, Deeksha, et al.
Veröffentlicht: (2024)

A Unified Framework for Provably Efficient Algorithms to Estimate Shapley Values
von: Chen, Tyler, et al.
Veröffentlicht: (2025)

Semirandom Planted Clique and the Restricted Isometry Property
von: Błasiok, Jarosław, et al.
Veröffentlicht: (2024)

Iterative Refinement for $\ell_p$-norm Regression
von: Adil, Deeksha, et al.
Veröffentlicht: (2019)

Signal-Aware Workload Shifting Algorithms with Uncertainty-Quantified Predictors
von: Johnson, Ezra, et al.
Veröffentlicht: (2025)

Efficient Discrepancy Testing for Learning with Distribution Shift
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2024)

Provable Quantization with Randomized Hadamard Transform
von: Feng, Ying, et al.
Veröffentlicht: (2026)

Learning Intersections of Halfspaces with Distribution Shift: Improved Algorithms and SQ Lower Bounds
von: Klivans, Adam R., et al.
Veröffentlicht: (2024)

Dynamic Spectral Clustering with Provable Approximation Guarantee
von: Laenen, Steinar, et al.
Veröffentlicht: (2024)

Learning Neural Networks with Distribution Shift: Efficiently Certifiable Guarantees
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2025)

On Purely Private Covariance Estimation
von: d'Orsi, Tommaso, et al.
Veröffentlicht: (2025)

Provably learning a multi-head attention layer
von: Chen, Sitan, et al.
Veröffentlicht: (2024)

Provable Accuracy Collapse in Embedding-Based Representations under Dimensionality Mismatch
von: Arvanitakis, Dionysis, et al.
Veröffentlicht: (2026)

Fast and Efficient Matching Algorithm with Deadline Instances
von: Song, Zhao, et al.
Veröffentlicht: (2023)

Efficient Data Shapley for Weighted Nearest Neighbor Algorithms
von: Wang, Jiachen T., et al.
Veröffentlicht: (2024)

Testable Learning with Distribution Shift
von: Klivans, Adam R., et al.
Veröffentlicht: (2023)

LevAttention: Time, Space, and Streaming Efficient Algorithm for Heavy Attentions
von: Kannan, Ravindran, et al.
Veröffentlicht: (2024)

Efficient Algorithms for Verifying Kruskal Rank in Sparse Linear Regression and Related Applications
von: Zhou, Fengqin
Veröffentlicht: (2025)

An Efficient Matrix Multiplication Algorithm for Accelerating Inference in Binary and Ternary Neural Networks
von: Dehghankar, Mohsen, et al.
Veröffentlicht: (2024)

Optimal Variance and Covariance Estimation under Differential Privacy in the Add-Remove Model and Beyond
von: Takakura, Shokichi, et al.
Veröffentlicht: (2025)

Iterative Chow Filtering for Learning with Distribution Shift
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2026)

Provably Efficient Infinite-Horizon Average-Reward Reinforcement Learning with Linear Function Approximation
von: Chae, Woojin, et al.
Veröffentlicht: (2024)

Equivalence of Coarse and Fine-Grained Models for Learning with Distribution Shift
von: Klivans, Adam R., et al.
Veröffentlicht: (2026)

Acceleration Meets Inverse Maintenance: Faster $\ell_{\infty}$-Regression
von: Adil, Deeksha, et al.
Veröffentlicht: (2024)

Active Learning for Decision Trees with Provable Guarantees
von: Moakhar, Arshia Soltani, et al.
Veröffentlicht: (2026)

Near-Optimal Algorithms for Omniprediction
von: Okoroafor, Princewill, et al.
Veröffentlicht: (2025)

Testing Noise Assumptions of Learning Algorithms
von: Goel, Surbhi, et al.
Veröffentlicht: (2025)

Algorithms with Calibrated Machine Learning Predictions
von: Shen, Judy Hanwen, et al.
Veröffentlicht: (2025)

A Faster $k$-means++ Algorithm
von: Liang, Jiehao, et al.
Veröffentlicht: (2022)

Approximation Algorithms for D-optimal Design
von: Singh, Mohit, et al.
Veröffentlicht: (2018)

Online Algorithms with Limited Data Retention
von: Immorlica, Nicole, et al.
Veröffentlicht: (2024)

Approximation Algorithms for Combinatorial Optimization with Predictions
von: Antoniadis, Antonios, et al.
Veröffentlicht: (2024)

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

Online Algorithms with Uncertainty-Quantified Predictions
von: Sun, Bo, et al.
Veröffentlicht: (2023)

An Approximation Algorithm for Graph Label Selection
von: John, Josia, et al.
Veröffentlicht: (2026)

Efficient Multivariate Robust Mean Estimation Under Mean-Shift Contamination
von: Diakonikolas, Ilias, et al.
Veröffentlicht: (2025)