13044 Arbeiten
Die Arbeit zeigt, dass der federierte Expectation-Maximization-Algorithmus für Mischungen linearer Regressionen unter bestimmten Signal-Rausch-Verhältnissen in allen Regimen konvergiert und dabei Datenheterogenität nicht als Hindernis, sondern als Beschleuniger der Konvergenz fungiert.
Diese Arbeit führt mit der „Advantage Gap Function" ein neuartiges Abbruchkriterium für Policy-Gradient-Methoden ein, das es ermöglicht, Markov-Entscheidungsprozesse in stark polynomieller Zeit zu lösen und im stochastischen Fall eine berechenbare Validierung der Optimalität ohne externe Vergleiche zu gewährleisten.
Die Arbeit zeigt, dass Multilevel-Picard-Approximationen und tiefe neuronale Netze mit ReLU-, leaky-ReLU- und Softplus-Aktivierungsfunktionen semilineare parabolische partielle Differentialgleichungen in der -Norm ohne den Fluch der Dimensionalität approximieren können, wobei sich der Rechenaufwand und die Anzahl der Parameter höchstens polynomial in der Dimension und dem Kehrwert der Genauigkeit verhalten.
Die Studie stellt MetaTransfer vor, ein Meta-Transfer-Learning-Framework mit temporalen Graphennetzwerken, das durch die Übertragung von Wissen aus datenreichen Metropolen auf datenarme Städte die Genauigkeit der Immobilienbewertung verbessert.
Diese Arbeit stellt ein robustes und skalierbares Framework vor, das Vor- und In-Experiment-Daten kombiniert, um die Varianz von ATE-Schätzern in Online-A/B-Tests zu reduzieren und so die Sensitivität von Experimenten bei Etsy nachweislich zu verbessern.
Die Arbeit stellt das skalierbare Benchmark-System „Sliding Puzzles Gym" (SPGym) vor, das es ermöglicht, die Herausforderungen des visuellen Repräsentationslernens in der Verstärkungslernung systematisch zu isolieren und zu untersuchen, wobei Experimente zeigen, dass aktuelle Algorithmen bei zunehmender visueller Vielfalt versagen und oft einfachere Methoden wie Daten-Augmentierung überlegen sind.
Diese Arbeit stellt Dirichlet-Prozess-Mischungen aus Block--Priors für die Modellauswahl und Vorhersage in linearen Modellen vor, die eine konsistente, korrelationsberücksichtigende Schätzung ermöglichen, das Lindley-Paradoxon vermeiden und in Simulationen sowie realen Daten eine hohe Entdeckungswahrscheinlichkeit bei geringen Fehlalarmen bieten.
Die Arbeit stellt GECo vor, einen neuen Algorithmus zur Erklärbarkeit von Graph Neural Networks, der durch die Analyse von Graph-Communities die Klassifikationsergebnisse interpretiert und dabei in Tests gegenüber bestehenden Methoden überlegen abschneidet.
Die Studie stellt SDM-D vor, ein annotierungsfreies Framework, das durch die Kombination von Segmentierung, Beschreibung und Matching mit Foundation-Modellen sowie anschließender Wissensdestillation hochpräzise und effiziente Modelle zur Früherkennung entwickelt, die ohne manuelle Annotationen mit gelabelten Modellen konkurrieren und Open-Set-Methoden übertreffen.
Die Arbeit stellt TPCL vor, ein modellunabhängiges Curriculum-Learning-Framework, das durch eine schrittweise Schulung basierend auf semantischen Fragetypen und einer Optimal-Transport-basierten Schwierigkeitsmetrik die Robustheit und Generalisierungsfähigkeit von Visual Question Answering-Systemen unter Verteilungsverschiebungen und bei Datenknappheit signifikant verbessert.