Buchumschlag

The Power of Iterative Filtering for Supervised Learning with (Heavy) Contamination

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Klivans, Adam R., Stavropoulos, Konstantinos, Tian, Kevin, Vasilyan, Arsen
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

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

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

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

Learning Constant-Depth Circuits in Malicious Noise Models
von: Klivans, Adam R., et al.
Veröffentlicht: (2024)

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

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

A Fully Polynomial-Time Algorithm for Robustly Learning Halfspaces over the Hypercube
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2025)

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

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

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

Robust learning of halfspaces under log-concave marginals
von: Lange, Jane, et al.
Veröffentlicht: (2025)

Learning $\mathsf{AC}^0$ Under Graphical Models
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2026)

Learning Noisy Halfspaces with a Margin: Massart is No Harder than Random
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2025)

Learning Juntas under Markov Random Fields
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2025)

Local Lipschitz Filters for Bounded-Range Functions with Applications to Arbitrary Real-Valued Functions
von: Lange, Jane, et al.
Veröffentlicht: (2023)

Learning the Sherrington-Kirkpatrick Model Even at Low Temperature
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2024)

Testable algorithms for approximately counting edges and triangles in sublinear time and space
von: Eden, Talya, et al.
Veröffentlicht: (2025)

Efficient Calibration for Decision Making
von: Gopalan, Parikshit, et al.
Veröffentlicht: (2025)

The Importance of Being Smoothly Calibrated
von: Gopalan, Parikshit, et al.
Veröffentlicht: (2026)

Sandwiching Polynomials for Geometric Concepts with Low Intrinsic Dimension
von: Klivans, Adam R., et al.
Veröffentlicht: (2026)

Sparse Linear Regression is Easy on Random Supports
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2025)

Heavy-tailed Contamination is Easier than Adversarial Contamination
von: Cherapanamjeri, Yeshwanth, et al.
Veröffentlicht: (2024)

Adaptive Power Iteration Method for Differentially Private PCA
von: Nguyen, Ta Duy, et al.
Veröffentlicht: (2026)

Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
von: Asi, Hilal, et al.
Veröffentlicht: (2024)

Learning-Based Heavy Hitters and Flow Frequency Estimation in Streams
von: Shahout, Rana, et al.
Veröffentlicht: (2024)

Learned LSM-trees: Two Approaches Using Learned Bloom Filters
von: Fidalgo, Nicholas, et al.
Veröffentlicht: (2025)

Simultaneous Blackwell Approachability and Applications to Multiclass Omniprediction
von: Hu, Lunjia, et al.
Veröffentlicht: (2026)

On the Power of Learning-Augmented Search Trees
von: Chen, Jingbang, et al.
Veröffentlicht: (2022)

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

Online Conversion with Switching Costs: Robust and Learning-Augmented Algorithms
von: Lechowicz, Adam, et al.
Veröffentlicht: (2023)

Lumberjack: Better Differentially Private Random Forests through Heavy Hitter Detection in Trees
von: Lebeda, Christian Janos, et al.
Veröffentlicht: (2026)

Daisy Bloom Filters
von: Bercea, Ioana O., et al.
Veröffentlicht: (2022)

Cascaded Learned Bloom Filter for Optimal Model-Filter Size Balance and Fast Rejection
von: Sato, Atsuki, et al.
Veröffentlicht: (2025)

Distributionally Robust Optimization with Adversarial Data Contamination
von: Li, Shuyao, et al.
Veröffentlicht: (2025)

Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification
von: Rohatgi, Dhruv, et al.
Veröffentlicht: (2025)

Spike-and-Slab Posterior Sampling in High Dimensions
von: Kumar, Syamantak, et al.
Veröffentlicht: (2025)

Testing Calibration in Nearly-Linear Time
von: Hu, Lunjia, et al.
Veröffentlicht: (2024)

The Power of Second Chance: Personalized Submodular Maximization with Two Candidates
von: Yuan, Jing, et al.
Veröffentlicht: (2024)

Information-Computation Tradeoffs for Noiseless Linear Regression with Oblivious Contamination
von: Diakonikolas, Ilias, et al.
Veröffentlicht: (2025)

High-Dimensional Gaussian Mean Estimation under Realizable Contamination
von: Diakonikolas, Ilias, et al.
Veröffentlicht: (2026)