Stein’s method and functional inequalities in machine learning

Informations projet

Stein-ML

N° de convention de subvention: 101024264

DOI

10.3030/101024264

Projet clôturé

Date de signature de la CE 19 Mars 2021

Date de début 1 Septembre 2021

Date de fin 30 Novembre 2023

Financé au titre de

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coût total

€ 186 451,20

Contribution de l’UE

€ 186 451,20

Coordonné par

UNIVERSITE DU LUXEMBOURG
Luxembourg

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Publications

Peer reviewed articles (2)

The multivariate functional de Jong CLT

Auteurs: Christian Döbler, Mikołaj Kasprzak,Giovanni Peccati
Publié dans: Probability Theory and Related Fields, Numéro 184, 2022, Page(s) 367–399, ISSN 0178-8051
Éditeur: Springer Verlag
DOI: 10.1007/s00440-022-01114-3

Vector-valued statistics of binomial processes: Berry-Esseen bounds in the convex distance

Auteurs: Mikołaj Kasprzak, Giovanni Peccati
Publié dans: Annals of Applied Probability, 2023, ISSN 1050-5164
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/22-aap1897

Conference proceedings (1)

A Targeted Accuracy Diagnostic for Variational Approximations

Auteurs: Wang, Yu; Kasprzak, Mikołaj; Huggins, Jonathan H.
Publié dans: Proc. of the 26th International Conference on Artificial Intelligence and Statistics (AISTATS), Numéro 25-27 April 2023, 2023
Éditeur: Proceedings of Machine Learning Research
DOI: 10.48550/arxiv.2302.12419

Other (2)

A Fourier Representation of Kernel Stein Discrepancy with Application to Goodness-of-Fit Tests for Measures on Infinite Dimensional Hilbert Spaces

Auteurs: George Wynne, Mikołaj Kasprzak, Andrew Duncan
Publié dans: 2022
Éditeur: ArXiv

How good is your Laplace approximation of the Bayesian posterior? Finite-sample computable error bounds for a variety of useful divergences

Auteurs: Mikołaj Kasprzak, Ryan Giordano, Tamara Broderick
Publié dans: 2022
Éditeur: ArXiv