38 Arbeiten
Dieses Paper stellt parallele Algorithmen zur Simulation von gradientenfreien Metropolis-Markov-Ketten vor, die durch die Nutzung von Picard-Abbildungen die Konvergenzgeschwindigkeit in hochdimensionalen Problemen signifikant beschleunigen und dabei lediglich punktweise Auswertungen der Log-Wahrscheinlichkeitsdichte benötigen.
Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.
Die Autoren stellen einen neuartigen Multivariaten-Temporal-Point-Process-Sampler vor, der auf gekoppelten Unendlich-Server-Warteschlangen basiert, um diskrete Verteilungen effizienter zu sampeln als herkömmliche Geburts- und Sterbeprozesse, und leiten daraus ein biologisch plausibles rekurrentes neuronales Netzwerk ab.
Die Arbeit stellt BNEM vor, einen auf Bootstrapping und Noised Energy Matching basierenden Boltzmann-Sampler, der effizient und robust IID-Stichproben aus Energiefunktionen generiert und dabei den Stand der Technik in Bezug auf Leistung und Stabilität übertrifft.
Diese Arbeit stellt einen neuen Algorithmus vor, der die Berechnung einer vollständigen Kurve von Post-hoc-Schranken für den Anteil falsch entdeckter Hypothesen entlang einer Pfadsequenz von Auswahlmengen durch Ausnutzung der Waldstruktur der Referenzfamilie von einer quadratischen auf eine lineare Komplexität in Bezug auf die Anzahl der Hypothesen reduziert.
Die Arbeit stellt StablePCA vor, einen verteilungsrobusten Rahmen zur Extraktion stabiler latenter Darstellungen aus multi-sourcigen Daten durch Maximierung der worst-case erklärten Varianz, der mittels konvexer Relaxierung und eines effizienten Mirror-Prox-Algorithmus mit globalen Konvergenzgarantien gelöst wird.
Die Studie zeigt, dass circadiane Rhythmen im suprachiasmatischen Kern durch Netzwerkvergrößerung robust bleiben und keine Größenabhängigkeit aufweisen, solange die durchschnittliche Vernetzungsdichte hoch ist, während niedrige Konnektivität zum Zusammenbruch der Oszillationen führt.
Dieser Artikel untersucht ein inverses Randwertproblem für die semilineare Helmholtz-Gleichung, bei dem mittels einer Linearisierung höherer Ordnung die eindeutige Bestimmung linearer und nichtlinearer Koeffizienten aus Neumann-zu-Dirichlet-Daten bewiesen und durch ein numerisches Rekonstruktionsverfahren im Rahmen der Bayes'schen Inferenz sowie Markov-Ketten-Monte-Carlo-Simulationen validiert wird.
Die Arbeit beweist, dass Metropolis-Hastings-Algorithmen mit nicht geometrisch ergodischen Vorschlägen und hoher Akzeptanzrate ebenfalls nicht geometrisch ergodisch sind, und zeigt zudem, dass bei polynomialen Schwänzen die geführte Random Walk-Methode doppelt so schnell konvergiert wie die Standard-Methode, während sie bei streng konvexen Potentialen bei großen Zuständen ballistisch mit ähnlicher Geschwindigkeit wie eine 1/2-lazy Version der geführten Methode läuft.
Die Studie stellt TV-Select vor, ein einheitliches Rahmenwerk zur gleichzeitigen Variablenauswahl und Unterscheidung zwischen konstanten und zeitvariablen Effekten in longitudinalen Modellen durch eine doppelt bestrafte Schätzung mit Gruppensparsität und Glättung, das sowohl die Modellinterpretierbarkeit als auch die Vorhersagegenauigkeit verbessert.
Die Studie demonstriert erstmals die Realisierung einer fraktionalen topologischen Phase mit gebrochenzahligen Windungszahlen, flachen Bändern und robusten Randzuständen in einem nichtwechselwirkenden, diskreten Quantenwalk auf endlichen zyklischen Graphen mittels eines ein-Coin-Split-Step-Protokolls.
Dieses Paper stellt Momentum SVGD-EM vor, eine beschleunigte Variante des EM-Algorithmus für die maximale marginale Likelihood-Schätzung, die durch die Einführung von Nesterov-Acceleration sowohl in den Parameter-Updates als auch im Raum der Wahrscheinlichkeitsmaße eine schnellere Konvergenz in verschiedenen Szenarien erreicht.
Dieser Artikel stellt zwei robuste Kriterien und einen darauf basierenden Differenz-der-Konvex-Algorithmus vor, um optimale Behandlungsregeln für zensierte Überlebensdaten zu ermitteln, die entweder die abgeschnittene mittlere Überlebenszeit oder gepufferte Überlebenswahrscheinlichkeiten maximieren.
Die Arbeit stellt CLIQUE vor, eine neue modellunabhängige Methode zur Berechnung der lokalen Variablenwichtigkeit, die im Gegensatz zu etablierten Verfahren wie LIME und SHAP lokale Abhängigkeiten und Interaktionen erfasst, insbesondere bei Mehrklassen-Klassifikationsproblemen, und Verzerrungen in Bereichen reduziert, in denen Variablen keinen Einfluss auf die Antwort haben.
Dieses Paper stellt NETCROP vor, ein effizientes und genaues Verfahren zur Kreuzvalidierung und Modellauswahl in komplexen Netzwerken, das durch die Aufteilung in überlappende Teilnetzwerke die besonderen strukturellen Herausforderungen von Netzwerkdaten adressiert.
Dieses Paper stellt einen adaptiven Algorithmus vor, der die Ressourcen zwischen der Schätzung von Orakel-Statistiken und dem Aufbau eines Multi-Fidelity-Schätzers optimal ausbalanciert, um die Rechenkosten zu senken und gleichzeitig eine Genauigkeit zu erreichen, die mit der theoretisch optimalen Zuordnung vergleichbar ist.
Diese Arbeit stellt additive Baummodelle mit einer neuartigen „Balancing-Loss"-Funktion vor, die eine effiziente Schätzung von Dichteverhältnissen mittels etablierter Algorithmen wie Gradient Boosting sowie eine Bayessche Inferenz zur Unsicherheitsquantifizierung ermöglicht, was insbesondere bei hochdimensionalen und datenlimitierten Verteilungen sowie zur Bewertung generativer Modelle vorteilhaft ist.
Dieser Artikel stellt eine schnelle Methode zur Tensor-Train-Vervollständigung vor, die unter Verwendung von Standard-Linearalgebra-Operationen und deterministischen Bedingungen ausschließlich auf Beobachtungen ganzer Fasern entlang eines einzelnen Modus basiert, um fehlende Einträge in Mehrweg-Datentensoren effizient wiederherzustellen.
Diese Arbeit untersucht die Optimierung von Zwei-Block-Partitionen zur Beschleunigung der Mischung endlicher Markov-Ketten unter Gruppenmittelung, indem sie Verbindungen zwischen KL-Divergenz und Frobenius-Distanz zu stationären Zuständen herstellt, das Problem als kombinatorische Optimierung mit Differenz-submodularer Zerlegung neu formuliert und effiziente algorithmische Approximationen vorschlägt, die in numerischen Experimenten ihre Wirksamkeit unter Beweis stellen.
Dieses Papier stellt die Gimbal-Regression (GR) vor, ein deterministisches, geometriebewusstes lokales Regressionsverfahren, das durch explizite Orientierungsobjekte und geschlossene Lösungen numerische Instabilitäten bei der Schätzung räumlicher Heterogenität vermeidet und stabile, überprüfbare Ergebnisse liefert.