Gaussian Approximation and Multiplier Bootstrap for Polyak-Ruppert Averaged Linear Stochastic Approximation with Applications to TD Learning

S. Samsonov; E. Moulines; Shao Q.; Zhang Z.; A. Naumov

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

30 октября 2026 г.

«Объект наших исследований - суперкомпьютер»

Феликс Смирнов занимается суперкомпьютерными технологиями, чтобы помогать другим ученым в их работе. В интервью проекту «Молодые ученые Вышки» он рассказал о настройке коммуникаций между узлами, своем увлечении кинематографом и о старых вывесках на Хитровке.

29 октября 2026 г.

Как прогнозировать будущее науки и технологий

Лаборатория исследований науки и технологий, действующая в структуре Института статистических исследований и экономики знаний НИУ ВШЭ, изучает текущее состояние научных исследований и разработок, анализирует тренды и их динамику, что позволяет понимать масштаб вызовов, связанных с применением новейших технологий, определять приоритеты будущих работ, формировать научную и промышленную политику. Новостная служба «Вышка.Главное» побеседовала с заведующей лабораторией Лилианой Проскуряковой и директором Форсайт-центра ИСИЭЗ Александром Соколовым.

29 октября 2026 г.

Плоская модель местности скрыла от симулятора потерю связи между машинами

Исследователи МИЭМ ВШЭ показали, что популярные симуляторы связи между автомобилями заметно переоценивают ее надежность, потому что считают рельеф местности плоским. Если учесть рельеф, мосты и туннели, доля потерянных соединений на горном серпантине вырастает с 21 до 30%, у эстакады — с 20 до 33%, а в туннеле — с нуля до 80%.Результаты опубликованы в журнале Future Transportation.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Gaussian Approximation and Multiplier Bootstrap for Polyak-Ruppert Averaged Linear Stochastic Approximation with Applications to TD Learning

P. 12408–12460.

Самсонов С. В., Мулине Э. Ф., Shao Q., Zhang Z., Наумов А. А.

Язык: английский

Полный текст

Текст на другом сайте

Ключевые слова: stochastic approximation Gaussian approximation Multiplier bootstrap Polyak-Ruppert averaging

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Разработка и теоретический анализ новых эффективных стохастических алгоритмов машинного обучения (2024)

В книге

38th Conference on Neural Information Processing Systems (NeurIPS 2024)

[б.и.], 2024.

Gaussian Approximation and Multiplier Bootstrap for Stochastic Gradient Descent

Шешукова М. Е., Самсонов С. В., Беломестный Д. В. и др., , in: Volume 300: International Conference on Artificial Intelligence and Statistics, 2-5 May 2026, Hilton Tangier Al Houara Hotel, MoroccoVol. 300.: PMLR, 2026. P. 1378–1386.

Добавлено: 8 октября 2026 г.

On the rate of Gaussian approximation for online linear regression problems

Шешукова М. Е., Durmus A., Khusainov M. и др., Statistics 2026 P. 1–25

Добавлено: 4 сентября 2026 г.

Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

Левин И. В., Шуклин М. В., Moulines E. и др., , in: Proceedings of the 42nd Conference on Uncertainty in Artificial Intelligence (UAI), PMLR Volume 337: Conference on Uncertainty in Artificial Intelligence, 17-21 August 2026, KIT, Amsterdam, the NetherlandsVol. 337.: MLResearchPress, 2026. Ch. 134 P. 3487–3545.

Добавлено: 4 сентября 2026 г.

Gaussian Approximation for Two-Timescale Linear Stochastic Approximation

Bogdan Butyrin, Artemy Rubtsov, Наумов А. А. и др., , in: Proceedings of the AAAI Conference on Artificial Intelligence. AAAI-26: AAAI Technical Track on Planning, Routing, and Scheduling; AAAI Technical Track on Reasoning under Uncertainty; AAAI Technical Track on Search and Optimization. Main Track, volume 40 no. 43.: American Association for Artificial Intelligence (AAAI) Press, 2026. P. 36627–36635.

Добавлено: 26 января 2026 г.

Local Limit Theorems and Strong Approximations for Robbins-Monro Procedures

Конаков В. Д., Mammen E., Huang L., Statistics 2026 Vol. 60 No. 2 P. 449–485

Добавлено: 26 ноября 2025 г.

Stochastic approximation versus sample average approximation for Wasserstein barycenters

Двинских Д. М., Optimization Methods and Software 2022 Vol. 37 No. 5 P. 1603–1635

Добавлено: 27 марта 2024 г.

Fast incremental expectation maximization for finite-sum optimization: nonasymptotic convergence

Fort G., Gach P., Мулине Э. Ф., Statistics and Computing 2021 Article 48

Добавлено: 9 декабря 2021 г.

On stochastic gradient Langevin dynamics with dependent data streams in the logconcave case

Barkhagen M., Chau N. H., Мулине Э. Ф. и др., Bernoulli: a journal of mathematical statistics and probability 2021 Vol. 27 No. 1 P. 1–33

Добавлено: 9 декабря 2021 г.

Finite Time Analysis of Linear Two-timescale Stochastic Approximation with Markovian Noise

Каледин М. Л., Мулине Э. Ф., Наумов А. А. и др., , in: Proceedings of Machine Learning ResearchVol. 125: Proceedings of Thirty Third Conference on Learning Theory.: [б.и.], 2020. P. 2144–2203.

Добавлено: 30 июля 2020 г.