Performance limits of nonparametric estimators

Szerzők: András Antos
Megjelenés: 1999. 05.
Megjelent: (Terjedelem: 91 oldal)
Link a cikkre: [ps.gz]

Folyóiratcikk

Individual convergence rates in empirical vector quantizer design

Szerzők: Antos, A; Györfi, L; György, A
Megjelenés: 2005.
Megjelent: IEEE TRANSACTIONS ON INFORMATION THEORY (Kötetszám: 51, Füzetszám: 11, Oldalszám: 4013-4022)
Link a cikkre: [ps.gz], []

Improved minimax bounds on the test and training distortion of empirically designed vector quantizers

Szerzők: Antos, A
Megjelenés: 2005.
Megjelent: LECTURE NOTES IN COMPUTER SCIENCE (Kötetszám: 3559, Oldalszám: 531-544)
Link az előadásra: [html]
Link a cikkre: [ps.gz], [pdf]

Improved minimax bounds on the test and training distortion of empirically designed vector quantizers

Szerzők: Antos, A
Megjelenés: 2005.
Megjelent: IEEE TRANSACTIONS ON INFORMATION THEORY (Kötetszám: 51, Füzetszám: 11, Oldalszám: 4022-4032)
Link a cikkre: [ps.gz], []

Nemparaméteres függvénybecslések

Szerzők: Antos, A; Pintér, M
Megjelenés: 2004.
Megjelent: ALKALMAZOTT MATEMATIKAI LAPOK (Kötetszám: 21, Füzetszám: 1, Oldalszám: 99-129)

Lower bounds for the rate of convergence in nonparametric pattern recognition.

Szerzők: Antos, A
Megjelenés: 2002.
Megjelent: THEORETICAL COMPUTER SCIENCE (Kötetszám: 284, Füzetszám: 1, Oldalszám: 3-24)

Convergence properties of functional estimates for discrete distributions.

Szerzők: Antos, A; Kontoyiannis, I
Megjelenés: 2002.
Megjelent: RANDOM STRUCTURES AND ALGORITHMS (Kötetszám: 19, Füzetszám: 3-4, Oldalszám: 163-193)

Data-dependent margin-based generalization bounds for classification.

Szerzők: Antos, A; Kégl, B; Linder, T; Lugosi, G
Megjelenés: 2002.
Megjelent: JOURNAL OF MACHINE LEARNING RESEARCH (Kötetszám: 3, Füzetszám: 7, Oldalszám: 73-98)

Lower bounds on the rate of convergence of nonparametric regression estimates.

Szerzők: Antos, A; Györfi, L; Kohler, M
Megjelenés: 2000.
Megjelent: JOURNAL OF STATISTICAL PLANNING AND INFERENCE (Kötetszám: 83, Füzetszám: 1, Oldalszám: 91-100)

Lower bounds for Bayes error estimation.

Szerzők: Antos, A; Devroye, L; Györfi, L
Megjelenés: 1999.
Megjelent: IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE (Kötetszám: 21, Füzetszám: 7, Oldalszám: 643-645)

Strong minimax lower bounds for learning.

Szerzők: Antos, A; Lugosi, G
Megjelenés: 1998.
Megjelent: MACHINE LEARNING (Kötetszám: 30, Oldalszám: 31-56)

ISI folyóiratcikk

On codecell convexity of optimal multi-resolution scalar quantizers for continuous sources

Szerzők: Antos, András
Megjelenés: 2012. 02.
Megjelent: IEEE Transactions on Information Theory (Kötetszám: 58, Füzetszám: 2, Oldalszám: 1147-1157)
Link a cikkre: [html]

Active learning in heteroscedastic noise.

Szerzők: Antos, András; Grover, Varun; Szepesvári, Csaba
Megjelenés: 2010.
Megjelent: Theoretical Computer Science (Kötetszám: 411, Oldalszám: 2712-2728.)
Link a cikkre: [html], [pdf], [pdf]

Learning near-optimal policies with Bellman-residual minimization based fitted policy iteration and a single sample path.

Szerzők: Antos, András; Szepesvári, Csaba; Munos, Rémi
Megjelenés: 2008.
Megjelent: Machine Learning (Kötetszám: 71, Füzetszám: DOI: 10.1007/s10994-007-5038-2, Oldalszám: 89-129.)
Link a cikkre: [html], [ps.gz], [pdf]

Learning near-optimal policies with Bellman-residual minimization based fitted policy iteration and a single sample path

Szerzők: Antos, András; Szepesvári, Csaba; Munos, R.
Megjelenés: 2006.
Megjelent: Lecture Notes in Computer Science (Kötetszám: 4005, Oldalszám: 574-588)
Link a cikkre: [ps.gz], [pdf], [html], [pdf]

Konferenciakiadvány

Online Markov decision processes under bandit feedback.

Szerzők: Neu, Gergely; György, András; Szepesvári, Csaba; Antos, András
Megjelenés: 2010.
Megjelent: NIPS 2010. Neural Information Processing Systems Foundation proceedings. Vancouver, 2010. (Terjedelem: 1-9. oldal)
Link a cikkre: [pdf]

Active learning in multi-armed bandits.

Szerzők: Antos, András; Grover, Varun; Szepesvári, Csaba
Szerkesztő: Freund, Yoav; Györfi, László; Turán, György; Zuegmann, Thomas
Megjelenés: 2008.
Megjelent: ALT 2008. 19th international conference on algorithmic learning theory. Budapest, 2008. (Lecture notes in artificial intelligence 5254.) (Oldalszám: 288-303.)
Link a cikkre: [ps.gz], [pdf], [pdf], [pdf]

Value-iteration based fitted policy iteration: learning with a single trajectory.

Szerzők: Antos, András; Szepesvári, Csaba; Munos, Rémi
Megjelenés: 2007.
Megjelent: ADPRL 07. 2007 IEEE international symposium on approximate dynamic programming and reinforcement learning. Honolulu, 2007. (Oldalszám: 330-337.)
Link a cikkre: [pdf], [pdf], [html]

Fitted Q-iteration in continuous action-space MDPs.

Szerzők: Antos, András; Munos, Rémi; Szepesvári, Csaba
Szerkesztő: McCallum, A.
Megjelenés: 2007.
Megjelent: NIPS 2007. Proceedings of 21th annual conference on neural information processing systems. Vancouver, 2007. (Oldalszám: 1-8.)
Link a cikkre: [ps.gz]

Improved convergence rates in empirical vector quantizer design

Szerzők: Antos, A; Györfi, L; György, A
Megjelenés: 2004.
Megjelent: Information Theory. Proceedings of the International Symposium ISIT 2004 (Oldalszám: 301)

On nonparametric estimates of the expectation.

Szerzők: Antos, A
Megjelenés: 2002.
Megjelent: Limit theorems. Proceedings of the fourth Hungarian colloquium on limit theorems in probability and statistics. Balatonlelle, 1999. (Bolyai Society mathematical studies 10) (Oldalszám: 101-112)

Estimating the entropy of discrete distributions.

Szerzők: Antos, A; Kontoyiannis, I
Megjelenés: 2001.
Megjelent: ISIT 2001. IEEE international symposium on information theory. Proceedings. Washington. 2001. (Oldalszám: 45)

Lower bounds on the rate of convergence of nonparametric pattern recognition.

Szerzők: Antos, A
Megjelenés: 1999.
Megjelent: Computational learning theory. 4th European conference, EuroCOLT'99. Proceedings. Nordkirchen, 1999. (Lecture notes in artificial intelligence. Subseries of Lecture notes in computer science, 1572.) (Oldalszám: 241-252)

Könyvfejezet

Rawa trees.

Szerzők: Antos, A; Devroye, L
Megjelenés: 2000.
Megjelent: Mathematics and computer science. Algorithms, trees, combinatorics and probabilities. (Trends in mathematics) (Oldalszám: 3-15)