领域模型 近九千人齐聚 NeurIPS 2018，四篇最佳论文，十大研(2)

4.mapping_2d代码逻辑 4.1 cartographer::mapping_2d:: globaltrajectorybuilder cartographer::mapping_2d::globaltrajectorybuilder类主要实现了接收处理上层应用传递的传感器数据的主要接口： （1）addimudata用于接收处理上层应用传递的imu数据。

值得称赞的是，作者已经将完整的算法源码公布在了论文主页上，其中包含了c++和python的全部代码。

电脑192.168.0.1接收到了这份数据包(因为它的身份是路由器，所以允许接收和转发目标地址不是自已、mac地址却是自已接口mac地址的数据包)，它分析这个数据包的目标地址，发现这个数据包是需要中转到电脑192.168.0.2:80去的，于是它把这个数据包转发给了电脑192.168.0.2:80。

今年共有四篇最佳论文奖，一篇时间检验奖。

最佳论文奖

Nearly tight sample complexity bounds for learning mixtures of Gaussians via sample compression schemes

利用样本压缩方案学习高斯混合的近似紧样本复杂度界

作者：Hassan Ashtiani，Shai Ben-David，Nicholas Harvey，Christopher Liaw，Abbas Mehrabian，Yaniv Plan

我们证明了(kd^2/ε^2)样本对于学习R^d中k个高斯的混合，直至总变差距离中的误差ε来说，是充分必要条件。这改善了已知的上界和下界这一问题。对于轴对准高斯混合，我们证明了O(kd/ε^2)样本匹配一个已知的下界是足够的。上限是基于样本压缩概念的分布学习新技术。任何允许这种样本压缩方案的分布类都可以用很少的样本来学习。此外，如果一类分布具有这样的压缩方案，那么这些产品和混合物的类也是如此。我们主要结果的核心是证明了R^d中的高斯类能有效的进行样本压缩。

Optimal Algorithms for Non-Smooth Distributed Optimization in Networks

网络中非光滑分布优化的优化算法

作者：Kevin Scaman,Francis Bach,Sébastien Bubeck,Yin Tat Lee,Laurent Massoulié

在本文中，我们考虑使用计算单元网络的非光滑凸函数的分布式优化。我们在两个正则性假设下研究这个问题：（1）全局目标函数的 Lipschitz 连续性，（2）局部个体函数的 Lipschitz 连续性。在局部正则性假设下，本文给出了称为多步原对偶（MSPD）的一阶最优分散算法及其相应的最优收敛速度。这个结果的一个显著特点是，对于非光滑函数，当误差的主要项在 O(1/t) 中时，通信网络的结构仅影响 O(1/t) 中的二阶项，其中 t 是时间。换言之，即使在非强凸目标函数的情况下，由于通信资源的限制而导致的误差也以快速率减小。在全局正则性假设下，基于目标函数的局部平滑，给出了一种简单而有效的分布式随机平滑（DRS）算法，并证明了 DRS 在最优收敛速度的 d1/4 乘因子内，其中 d 为底层。

Neural Ordinary Differential Equations

神经常微分方程

作者：Ricky T. Q. Chen,Yulia Rubanova,Jesse Bettencourt,David Duvenaud

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-90629-2.html