333 Arbeiten
Die Arbeit stellt SPPCSO vor, eine adaptive, bestrafte Schätzmethode, die Hauptkomponentenregression und -Regularisierung kombiniert, um bei hochdimensionalen, korrelierten Daten mit hohem Rauschen stabile Variablenselektion und präzise Parameterschätzung zu gewährleisten.
Die Arbeit stellt „Synthetic Monitoring Environments" (SMEs) als eine unendliche Suite konfigurierbarer, kontinuierlicher Steuerungsaufgaben mit bekannten optimalen Strategien vor, die es ermöglichen, Reinforcement-Learning-Algorithmen durch präzise, white-box-Diagnosen und exakte Regret-Berechnungen systematisch zu analysieren und von empirischem Benchmarking zu einer rigorosen wissenschaftlichen Evaluation zu überführen.
Dieser Artikel stellt die BAEN-SVM vor, ein robustes Support-Vector-Modell, das auf einer neuartigen, beschränkten und asymmetrischen Elastic-Net-Verlustfunktion basiert, um Rauschen effektiv zu bewältigen und die Generalisierungsfähigkeit bei binärer Klassifikation zu verbessern.
Diese Arbeit stellt einen Rahmen für die zertifizierte und genaue Berechnung von Funktionraumnormen tief neuronaler Netze vor, der Intervallarithmetik, adaptive Verfeinerung und quadraturbasierte Aggregation kombiniert, um garantierte Schranken für Integrale und PINN-Residuen zu liefern.
Die Arbeit stellt DistBART vor, einen bayesschen nichtparametrischen Ansatz für die Verteilungsregression, der BART-Prioritäten nutzt, um sowohl theoretische Konvergenzgarantien als auch skalierbare Inferenz durch Random-Feature-Approximation zu ermöglichen.
Die vorgestellte semantikbewusste Caching-Methode beschleunigt das Konzeptlernen in Wissensbasen durch eine subsumptionsbewusste Zwischenspeicherung von Instanzen und reduziert die Laufzeit sowohl für symbolische als auch neuro-symbolische Reasoner um eine Größenordnung.
Diese Arbeit stellt ein representationsagnostisches Refutationsframework vor, das theoretische Bedingungen für die Nicht-Identifizierbarkeit des kausalen Behandlungseffekts bei dimensionsreduzierten Repräsentationen herleitet und ein neuronales Verfahren zur Schätzung von Obergrenzen für den daraus resultierenden Verzerrungseffekt entwickelt.
Die Arbeit stellt Onflow vor, einen modellfreien, online-fähigen Portfolio-Allokationsalgorithmus, der auf Reinforcement Learning und Gradientenflüssen basiert und sich durch eine robuste Performance bei hohen Transaktionskosten sowie eine hohe Effizienz ohne Annahmen über die Verteilung der Asset-Renditen auszeichnet.
Die Arbeit zeigt, wie ein mit ReLU-Netzwerken trainierter Klassifikator über die Dateninformationsmatrix eine singuläre Foliationsstruktur auf dem Datenraum offenbart, die fast überall regulär ist und sich für die Analyse von Datenkorrelationen sowie für den Wissenstransfer zwischen Datensätzen nutzen lässt.
Die Arbeit zeigt, dass unter verschiedenen Parametrisierungen und Regularitätsbedingungen die Menge der faithfulness-erfüllenden Bayesian Networks in einem gegebenen DAG dicht und offen ist, was die Konsistenz von constraint-basierten Kausalitätsalgorithmen auf einer typischen Menge von Verteilungen begründet.
Diese Arbeit stellt einen neuen orthogonalen Lernalgorithmus namens AU-learner vor, der mithilfe partieller Identifikation scharfe Schranken für die bedingte Verteilung des Behandlungseffekts berechnet, um die aleatorische Unsicherheit in der Kausalanalyse zu quantifizieren.
Die Studie stellt ein finanztheoriebasiertes neuronales Netzwerk (FINN) vor, das Optionspreise und Absicherungsstrategien durch ein selbstüberwachtes Lernziel zur dynamischen Absicherung ermittelt, wodurch arbitragefreie Preise und konsistente Sensitivitäten auch in komplexen oder datenarmen Marktumgebungen gewährleistet werden.
Die Autoren stellen zwei Algorithmen (PE-GP-TS und HP-GP-TS) vor, die eine theoretisch fundierte, gemeinsame Auswahl des GP-Priors und Minimierung des Regrets im Rahmen von Thompson Sampling ermöglichen, um die in der Praxis häufig fehlende Kenntnis der Prior-Hyperparameter zu überwinden.
Diese Arbeit stellt ein nichtparametrisches gewichtetes Random Dot Product Graph-Modell (WRDPG) vor, das durch die Zuordnung latenter Positionen zu Knoten die Verteilung von Kantengewichten über deren Momente beschreibt, um so zwischen Verteilungen mit gleichem Mittelwert zu unterscheiden, und liefert konsistente Schätzer sowie einen generativen Rahmen für die Simulation solcher Netzwerke.
Diese Arbeit leitet unter neuen Annahmen zur Kontrolle der Lipschitz-Konstante einen verbesserten Konvergenzraten für den Wasserstein-Abstand bei Flow Matching ab, der insbesondere hochdimensionale, nicht-log-konkave Verteilungen umfasst.
Diese Arbeit untersucht die Existenz und Berechnung von Busemann-Funktionen im Wasserstein-Raum, leitet geschlossene Formeln für eindimensionale Verteilungen und Gaußsche Maße her und nutzt diese Ergebnisse zur Entwicklung effizienter Sliced-Wasserstein-Methoden für Anwendungen wie Transferlernen.
Dieses Paper führt das Konzept des „refereed learning" ein, bei dem ein Lernalgorithmus zwei konkurrierende Beweiser nutzt, um mit minimalem Zugriff auf eine Ground-Truth-Funktion und geringem Kommunikationsaufwand die überlegene von zwei Black-Box-Modellen zu identifizieren, wobei die Effizienz durch untere Schranken als optimal nachgewiesen wird.
Diese Arbeit stellt eine einheitliche bayesianische Theorie vor, die In-Context-Learning und Aktivierungssteuerung als Mechanismen beschreibt, die das Verhalten von Sprachmodellen durch die Veränderung latenter Konzeptglaubenswerte steuern, wobei ersteres als Evidenzakkumulation und letzteres als Prior-Anpassung interpretiert wird.
Die Autoren stellen drei skalierbare Algorithmen auf Basis von Variational Bayes und Expectation Propagation vor, um die posterior-Verteilung in kumulativen Probit-Modellen für ordinale Daten effizient und präzise zu approximieren, und demonstrieren deren Überlegenheit gegenüber herkömmlichen MCMC-Methoden sowohl in der Rechengeschwindigkeit als auch in der Genauigkeit, unter anderem anhand einer Fallstudie zur Analyse krimineller Netzwerke.
Die Arbeit löst das Paradoxon der verbundenen, aber isolierten Minima in überparametrisierten neuronalen Netzen auf, indem sie nachweist, dass entropische Barrieren, die durch Krümmungsvariationen und Optimierungsrauschen entstehen, die Dynamik effektiv zu den Endpunkten zurücklenken, selbst wenn der Verlustpfad flach bleibt.