JMLR

Importance Sparsification for Sinkhorn Algorithm

Sinkhorn算法的重要性稀疏化

Mengyu Li, Jun Yu, Tao Li, Cheng Meng

AI总结 本文提出Spar-Sink方法，通过自然上界建立有效采样概率，构建稀疏核矩阵加速Sinkhorn迭代，将计算复杂度从O(n²)降至O(n)，并在合成数据和真实数据上验证了其在估计误差和速度上的优越性。

Comments Accepted by Journal of Machine Learning Research

Neural Exploitation and Exploration of Contextual Bandits

神经网络在情境老虎机中的利用与探索

Yikun Ban, Yuchen Yan, Arindam Banerjee, Jingrui He

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出EE-Net，一种基于神经网络的情境老虎机利用与探索策略，通过实例方法提供O(√T)的 regret 上界，并在真实数据集上优于线性及神经情境老虎机基线。

Comments Journal of Machine Learning Research