会员服务
泛函 · 情景 · 极大 · 博弈论 ·
2021 年 7 月 6 日
Representing choice functions by a total hyper-order
翻译：代表选择功能的总超重命令数
Daniel Lehmann
Daniel Lehmann
from arxiv, 2 pages

Choice functions over a set $X$ that satisfy the Outcast, a.k.a. Aizerman, property are exactly those that attach to any set its maximal subset relative to some total order of ${2}^{X}$.


翻译：Aizerman, 其属性恰恰是附加在任何设定的最大子集中, 相对于总值为{2 ⁇ X}$(美元)的某个总值而言。
0
下载
关闭预览

相关内容

【因果基础】Causality Basics，36页ppt
专知会员服务
50+阅读 · 2021年8月8日
【ICML2021】异质风险最小化，Heterogeneous Risk Minimization
专知会员服务
14+阅读 · 2021年5月21日
现代机器学习技术导论，596页pdf
专知会员服务
159+阅读 · 2020年7月27日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
Stabilizing Transformers for Reinforcement Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
57+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
167+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
25+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Reinforcement Learning: An Introduction 2018第二版 500页
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
An objective function for order preserving hierarchical clustering
Arxiv
0+阅读 · 2021年9月9日
The convergence of the Regula Falsi method
Arxiv
0+阅读 · 2021年9月9日
On the Representation Number of Bipartite Graphs
Arxiv
0+阅读 · 2021年9月8日
Computing on Functions Using Randomized Vector Representations
Arxiv
0+阅读 · 2021年9月8日
Scale-invariant representation of machine learning
Arxiv
0+阅读 · 2021年9月7日
Finite Element Representations of Gaussian Processes: Balancing Numerical and Statistical Accuracy
Arxiv
0+阅读 · 2021年9月6日
Robust Differentiable SVD
Arxiv
9+阅读 · 2021年4月8日
The Causal Learning of Retail Delinquency
Arxiv
14+阅读 · 2020年12月17日
Multi-Granularity Representations of Dialog
Arxiv
3+阅读 · 2019年8月26日
Active Learning from Positive and Unlabeled Data
Arxiv
3+阅读 · 2016年2月24日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
泛函
情景
极大
博弈论
相关VIP内容
【因果基础】Causality Basics，36页ppt
专知会员服务
50+阅读 · 2021年8月8日
【ICML2021】异质风险最小化，Heterogeneous Risk Minimization
专知会员服务
14+阅读 · 2021年5月21日
现代机器学习技术导论，596页pdf
专知会员服务
159+阅读 · 2020年7月27日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
Stabilizing Transformers for Reinforcement Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
57+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
167+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
25+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Reinforcement Learning: An Introduction 2018第二版 500页
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
相关论文
An objective function for order preserving hierarchical clustering
Arxiv
0+阅读 · 2021年9月9日
The convergence of the Regula Falsi method
Arxiv
0+阅读 · 2021年9月9日
On the Representation Number of Bipartite Graphs
Arxiv
0+阅读 · 2021年9月8日
Computing on Functions Using Randomized Vector Representations
Arxiv
0+阅读 · 2021年9月8日
Scale-invariant representation of machine learning
Arxiv
0+阅读 · 2021年9月7日
Finite Element Representations of Gaussian Processes: Balancing Numerical and Statistical Accuracy
Arxiv
0+阅读 · 2021年9月6日
Robust Differentiable SVD
Arxiv
9+阅读 · 2021年4月8日
The Causal Learning of Retail Delinquency
Arxiv
14+阅读 · 2020年12月17日
Multi-Granularity Representations of Dialog
Arxiv
3+阅读 · 2019年8月26日
Active Learning from Positive and Unlabeled Data
Arxiv
3+阅读 · 2016年2月24日
Top
微信扫码咨询专知VIP会员
Top