13106 Arbeiten
Diese Studie stellt einen Algorithmus vor, der die Voronoi-Interpolation von Punktmengen mit höherer Homologie durch die Berechnung der persistenten Homologie steuert und die Iteration basierend auf Schwellenwerten der Bottleneck- und Wasserstein-Distanz beendet.
Dieser Artikel stellt ein Verfahren vor, das mithilfe persistenter Homologie und Lie-Theorie die minimale Anzahl von Neuronen in einer Schicht eines neuronalen Netzwerks bestimmt, um die Topologie eines zugrunde liegenden glatten, zusammenhängenden Mannigfaltigkeitsdatensatzes mit kommutativer Gruppenstruktur effektiv zu erfassen.
Die Arbeit stellt ein neues Rahmenwerk vor, das menschlichen Entscheidungsträgern ermöglicht, in parametrisierten Spielen mit unvollständiger Information und unter Zeitdruck schnelle Entscheidungen zu treffen, ohne auf Echtzeit-Löser angewiesen zu sein.
Diese Arbeit stellt einen neuronalen Klassifikator vor, der topologische Datenanalyse zur Verarbeitung von Persistenzdiagrammen mit tiefen Architekturen aus Faltungs- und LSTM-Schichten kombiniert, um Sensordaten von Kraftwerken basierend auf ihrer Referenzbezeichnung zu analysieren.
Die Arbeit zeigt, dass stochastischer Gradientenabstieg (SGD) und seine beschleunigte Variante (ASGD) durch exponentiell abnehmende Schrittweiten und stochastische Linienuche eine noise-adaptive und problemadaptive Konvergenzrate erreichen können, ohne die Rauschvarianz zu kennen.
Diese Arbeit stellt ein neuartiges TSK-Fuzzy-System vor, das multi-sichtbasiertes kollaboratives Transferlernen integriert, um die Herausforderungen bei der personalisierten Epilepsie-Erkennung durch EEG-Daten zu bewältigen und dabei sowohl die Merkmalsvielfalt als auch die Datenknappheit durch Anpassungstechniken zu adressieren.
Diese Arbeit stellt ein Online-Lernverfahren für Bayessche Empfehlungssysteme vor, das durch adaptive Strategien Stackelberg-Reue minimiert und dabei eine logarithmische Abhängigkeit von der Anzahl der Runden erreicht, während gleichzeitig die Präferenzen und Überzeugungen der Nutzer erlernt werden.
Die Arbeit stellt LOCO vor, ein neuartiges, weitgehend modellagnostisches und verteilungsfreies Inferenzframework für die Feature-Wichtigkeit, das durch den Einsatz von Minipatch-Ensembles auf Datenverzweigungen verzichtet und dennoch asymptotisch gültige Konfidenzintervalle liefert.
Dieses Paper stellt ein neuartiges, flexibles Verfahren zur Online-Erkennung von Strukturbrüchen vor, das auf der Maximierung einer Diskrepanzmaßzahl basiert und sowohl für parametrische als auch nichtparametrische Szenarien mit theoretischen Garantien und empirischen Validierungen funktioniert.
Diese Arbeit stellt generalisierte Policy Mirror Descent- und Policy Dual Averaging-Methoden für Reinforcement Learning in allgemeinen Zustands- und Aktionsräumen vor, die ohne explizite Policy-Parametrisierung auskommen und lineare oder sublineare Konvergenzgarantien unter Berücksichtigung von Approximationsfehlern bieten.