arXiv:2510.02513stat.MLcs.DS2025-10被引 3
重解自适应随机选列算法，提升效率并给出新理论分析
Adaptive randomized pivoting and volume sampling
- 通过体积采样和主动学习视角重新诠释ARP算法
- 提出基于拒绝采样的更快实现方法
- 适合需要高效列选择的机器学习研究者
自适应随机选列（Adaptive Randomized Pivoting, ARP）是一种近期提出的高效列子集选择算法。本文通过将其与体积采样分布及线性回归主动学习算法建立联系，重新诠释了ARP算法。由此，本文给出了该算法的新分析结果，并提出了基于拒绝采样的更快速实现方式。
原文摘要 · Abstract (English)
Adaptive randomized pivoting (ARP) is a recently proposed and highly effective algorithm for column subset selection. This paper reinterprets the ARP algorithm by drawing connections to the volume sampling distribution and active learning algorithms for linear regression. As consequences, this paper presents new analysis for the ARP algorithm and faster implementations using rejection sampling.
列选择算法分析采样
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。