Massachusetts Institute of Technology（麻省理工学院）

Quantitative Approximation Rates for Group Equivariant Learning

群等变学习中的定量逼近速率

Jonathan W. Siegel, Snir Hordan, Hannah Lawrence, Ali Syed, Nadav Dym

机构 * Department of Mathematics（数学系） ； Texas A&M University（德克萨斯A&M大学） ； Faculty of Mathematics（数学系） ； Technion- Israel Institute of Technology（技术学院-以色列理工学院） ； Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究群等变学习中ReLU网络对α-霍尔德函数的逼近速率，证明等变架构与普通MLP在表达能力上相当，无需牺牲逼近能力。

Best of both worlds: Stochastic & adversarial best-arm identification

两者兼得：随机与对抗最佳臂识别

Yasin Abbasi-Yadkori, Peter L. Bartlett, Victor Gabillon, Alan Malek, Michal Valko

机构 * Adobe Research, USA（Adobe研究院，美国） ； University of California, Berkeley, USA（加州大学伯克利分校，美国） ； Queensland University of Technology - ACEMS, Australia（昆士兰理工大学 - ACEMS，澳大利亚） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔 - 北欧，法国） 纠错

AI总结 研究在任意对抗性奖励下的多臂老虎机最佳臂识别问题，探讨在随机和对抗场景下如何设计鲁棒的最优算法，证明无法同时满足两种场景的最优性，并提出一种参数无关算法在随机场景下达到下界，同时对抗鲁棒。

Comments Published in Conference on Learning Theory (COLT 2018)

Multi-Modal Manipulation via Multi-Modal Policy Consensus

多模态操控 via 多模态策略共识

Haonan Chen, Jiaming Xu, Hongyu Chen, Kaiwen Hong, Binghao Huang, Chaoqi Liu, Jiayuan Mao, Yunzhu Li, Yilun Du, Katherine Driggs-Campbell

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出通过多模态策略共识实现多模态操控，采用扩散模型分解策略并利用路由网络动态组合模态贡献，提升机器人操控任务中多模态推理能力。

Comments 8 pages, 7 figures. Project website: https://policyconsensus.github.io