📊 Category

stat.ML

329 Arbeiten

Prognostics for Autonomous Deep-Space Habitat Health Management under Multiple Unknown Failure Modes

Diese Arbeit stellt einen unüberwachten Prognostik-Rahmen vor, der mittels eines Expectation-Maximization-Algorithmus und gewichteter funktionaler Regression sowohl latente Ausfallmodi identifiziert als auch informative Sensoren auswählt, um die verbleibende Nutzungsdauter in autonomen Tiefraumhabitaten unter Bedingungen ungelabelter Daten und unbekannter Ausfallmechanismen präzise vorherzusagen.

Benjamin Peters, Ayush Mohanty, Xiaolei Fang, Stephen K. Robinson, Nagi GebraeelWed, 11 Ma🤖 cs.LG

Improving clustering quality evaluation in noisy Gaussian mixtures

Die vorgestellte Arbeit führt die theoretisch fundierte Feature Importance Rescaling (FIR)-Methode ein, welche durch eine gewichtete Anpassung der Merkmalsbeiträge die Zuverlässigkeit von Cluster-Validierungsindizes in verrauschten Gaußschen Mischmodellen signifikant verbessert und deren Übereinstimmung mit der Grundwahrheit auch bei überlappenden Clustern erhöht.

Renato Cordeiro de Amorim, Vladimir MakarenkovWed, 11 Ma🤖 cs.LG

A Consequentialist Critique of Binary Classification Evaluation: Theory, Practice, and Tools

Diese Arbeit kritisiert die vorherrschende Abhängigkeit von binären Klassifikationsmetriken in der ML-Praxis, plädiert für einen konsequentialistischen Ansatz mit angemessenen Scoring-Regeln wie dem Brier-Score, und stellt dazu einen theoretischen Rahmen sowie das Python-Paket \texttt{briertools} vor, um die Bewertung probabilistischer Vorhersagen praxisnah zu verbessern.

Gerardo Flores, Abigail Schiff, Alyssa H. Smith, Julia A Fukuyama, Ashia C. WilsonWed, 11 Ma🤖 cs.AI

Uncovering Social Network Activity Using Joint User and Topic Interaction

Die vorgestellte Arbeit führt das Modell „Mixture of Interacting Cascades" (MIC) ein, das mithilfe von markierten mehrdimensionalen Hawkes-Prozessen die komplexe Wechselwirkung zwischen Informationskaskaden und Nutzerverhalten in sozialen Netzwerken gemeinsam modelliert und dabei sowohl eine überlegene Leistung als auch aussagekräftige Visualisierungen ermöglicht.

Gaspard Abel, Argyris Kalogeratos, Jean-Pierre Nadal, Julien Randon-FurlingWed, 11 Ma🤖 cs.LG

Global Convergence of Iteratively Reweighted Least Squares for Robust Subspace Recovery

Diese Arbeit liefert die ersten globalen Konvergenzgarantien für eine Variante des iterativ gewichteten kleinsten Quadrate-Verfahrens (IRLS) mit dynamischer Regularisierung, die unter deterministischen Bedingungen von jeder Initialisierung aus linear zum zugrunde liegenden Unterraum konvergiert und diese Ergebnisse zudem auf die affinen Unterraumschätzung sowie Anwendungen im Training neuronaler Netze erweitert.

Gilad Lerman, Kang Li, Tyler Maunu, Teng ZhangWed, 11 Ma🤖 cs.LG

Repulsive Monte Carlo on the sphere for the sliced Wasserstein distance

Diese Arbeit untersucht und vergleicht verschiedene Monte-Carlo-Quadraturmethoden mit repulsiven Knoten zur effizienten Berechnung des geschnittenen Wasserstein-Abstands auf der Kugel, wobei sie insbesondere die Varianzreduktion durch deterministische Punktprozesse analysiert und für niedrige Dimensionen randomisierte Quasi-Monte-Carlo-Verfahren sowie für hohe Dimensionen den UnifOrtho-Schätzer empfiehlt.

Vladimir Petrovic, Rémi Bardenet, Agnès DesolneuxWed, 11 Ma🤖 cs.LG

Personalized Collaborative Learning with Affinity-Based Variance Reduction

Die Arbeit stellt AffPCL vor, einen personalisierten kollaborativen Lernrahmen für heterogene Agenten, der durch affinitätsbasierte Varianzreduktion und Korrekturmechanismen die Stichprobenkomplexität im Vergleich zum unabhängigen Lernen um einen Faktor von max⁡{n−1,δ}\max\{n^{-1}, \delta\} senkt und dabei nahtlos zwischen linearem Speedup bei Homogenität und unabhängiger Lernleistung bei Heterogenität interpoliert, ohne dass Vorwissen über das System erforderlich ist.

Chenyu Zhang, Navid AzizanWed, 11 Ma🤖 cs.LG

An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference

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.

Qiao Liu, Wing Hung WongWed, 11 Ma🤖 cs.AI

Robust Assortment Optimization from Observational Data

Diese Arbeit stellt einen robusten Rahmen für die assortmentsbasierte Optimierung vor, der unter Unsicherheit durch Verteilungsverschiebungen im Kundenverhalten die worst-case-Erlöse maximiert und dabei durch die Einführung des Konzepts der „robusten artikelweisen Abdeckung" statistisch effiziente Algorithmen mit optimalen Stichprobenkomplexitätsgrenzen entwickelt.

Miao Lu, Yuxuan Han, Han Zhong, Zhengyuan Zhou, Jose BlanchetWed, 11 Ma🤖 cs.LG

Non-Rectangular Average-Reward Robust MDPs: Optimal Policies and Their Transient Values

Diese Arbeit untersucht nicht-rechteckige robuste Markov-Entscheidungsprozesse mit Durchschnittsbelohnung, zeigt, dass sublineare Regret-Policies robust-optimal sind und eine Minimax-Darstellung der robusten Werte ohne Rechteckigkeitsannahme ermöglichen, und entwickelt ein transientes Bewertungsframework sowie eine epochenbasierte Policy, die eine konstante transiente Leistung garantiert.

Shengbo Wang, Nian SiWed, 11 Ma🤖 cs.LG

Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks

Diese Arbeit stellt einen physik-informierten neuronalen Netzwerk-Ansatz (PINN) vor, der robuste und genaue Schätzungen biophysikalischer Parameter und rekonstruierte Zustandsvariablen aus teilweise verrauschten Beobachtungen in multiskaligen neuronalen Systemen ermöglicht und dabei die Grenzen traditioneller numerischer Methoden überwindet.

Changliang Wei, Yangyang Wang, Xueyu ZhuWed, 11 Ma🤖 cs.LG

Multi-level meta-reinforcement learning with skill-based curriculum

Diese Arbeit stellt einen effizienten, mehrstufigen Meta-Reinforcement-Learning-Ansatz vor, der durch die Kompression von MDPs, die Faktorisierung von Strategien in Skills und die Einbettung in ein Curriculum-Learning-Framework komplexe sequenzielle Entscheidungsprobleme mit natürlicher Hierarchie strukturiert löst und dabei Transferfähigkeit sowie Recheneffizienz verbessert.

Sichen Yang (Johns Hopkins University), Mauro Maggioni (Johns Hopkins University)Wed, 11 Ma🤖 cs.AI

Cross-Domain Uncertainty Quantification for Selective Prediction: A Comprehensive Bound Ablation with Transfer-Informed Betting

Diese Arbeit führt eine umfassende Abstraktion von neun endlichen Stichproben-Bound-Familien für die selektive Vorhersage durch und stellt mit „Transfer-Informed Betting" eine neuartige Methode vor, die durch die Warm-Start-Initialisierung des WSR-Vermögensprozesses mit Risikoprofilen aus einer Quelldomain in datenarmen Szenarien engere und formal garantierte Unsicherheitsgrenzen erreicht.

Abhinaba BasuWed, 11 Ma🤖 cs.AI