335 Arbeiten
Die Studie stellt eine neue Methode für parallele Bayes'sche Optimierung namens „Randomized Kriging Believer" vor, die eine einfache Implementierung und geringe Rechenkomplexität mit theoretischen Regret-Garantien verbindet und sich in Experimenten als effektiv erweist.
Diese Arbeit stellt einen partitionsbasierten Rahmen für die funktionale Ridge-Regression vor, der durch eine differenzierte Bestrafung von dominanten und schwächeren funktionellen Effekten Multikollinearität und Überanpassung in hochdimensionalen Modellen adressiert, wobei die Konsistenz der Schätzer theoretisch bewiesen und ihre überlegene Vorhersageleistung sowie Interpretierbarkeit durch Simulationen und eine Anwendung auf kanadische Wetterdaten empirisch untermauert wird.
Die Arbeit stellt Co-Diffusion vor, ein neuartiges, affinitätsbewusstes Zwei-Phasen-Framework auf Basis latenter Diffusion, das die Generalisierungsfähigkeit bei der Vorhersage von Arzneimittel-Ziel-Affinitäten, insbesondere in kalten Start-Szenarien mit neuen Molekülgerüsten und Proteinfamilien, erheblich verbessert.
Diese Arbeit überwindet fundamentale Grenzen der neuronalen Approximationstheorie, indem sie eine dreidimensionale ReLU-Architektur einführt, die durch effiziente Sägezahn-Funktionen exponentielle Approximationsraten für analytische Funktionen und erstmals quantitative, nicht-asymptotische Ergebnisse für allgemeine -Funktionen ermöglicht.
Diese Arbeit stellt nichtparametrische Regressionsmethoden auf Basis von tiefen neuronalen Netzen unter dem Prinzip der minimalen Fehlerentropie für stark mischende Beobachtungen vor und zeigt, dass sowohl nicht- als auch sparse-gestraffte Schätzer die minimax-optimalen Konvergenzraten erreichen.
Die Arbeit definiert algorithmisches Erfassen formal und zeigt, dass unendliche Transformer trotz universeller Ausdruckskraft durch einen induktiven Bias auf Algorithmen mit geringer Komplexität innerhalb der EPTHS-Klasse beschränkt sind, was das Erlernen komplexerer Algorithmen verhindert.
Diese Arbeit stellt diagnostische Transportkarten vor, die als covariatenabhängige Korrekturmechanismen dienen, um ungenaue Vorhersageverteilungen für seltene Ereignisse neu zu kalibrieren und gleichzeitig Echtzeit-Diagnosedaten über spezifische Modellfehler zu liefern, was in einer Anwendung zur Vorhersage tropischer Wirbelstürme zu verbesserten Ergebnissen im Vergleich zu operationellen Modellen führt.
Die Arbeit stellt RIE-Greedy vor, eine Methode für kontextbasierte Banditen, die durch die Nutzung der inhärenten Stochastizität im Regularisierungsprozess beim Modelltraining eine effektive Exploration ohne zusätzliche Strategien ermöglicht und theoretisch sowie empirisch mit Thompson Sampling vergleichbare Ergebnisse liefert.
Die vorgestellte Arbeit führt den „Outrigger"-Schätzer für die lokale Polynomregression ein, der durch die Nutzung der bedingten Score-Funktion und einer stabilisierenden Erweiterung des Datenfensters eine Verteilungsadaptivität bei heteroskedastischen oder nicht-normalverteilten Fehlern erreicht und dabei die Minimax-Optimalität über Hölder-Klassen garantiert, ohne Annahmen über die Unabhängigkeit oder Symmetrie der Fehler zu benötigen.
Die Arbeit stellt einen unified Framework namens wcPCA vor, der robuste, worst-case-optimale Low-Rank-Approximationen für heterogene Datenbereiche entwickelt, deren Konsistenz und asymptotische Garantien theoretisch bewiesen und in Anwendungen wie Matrix Completion sowie realen Ökosystemdaten erfolgreich validiert werden.
Diese Arbeit zeigt, dass Langevin-Dynamik selbst bei beliebig kleinen L²-Fehlern der geschätzten Score-Funktion in hohen Dimensionen innerhalb polynomieller Zeit nicht zur Zielverteilung konvergiert, was die Überlegenheit von Diffusionsmodellen unterstreicht und vor der Verwendung von Langevin-Dynamik mit geschätzten Scores warnt.
Diese Arbeit stellt einen doppelt robusten Schätzer mit Kreuzvalidierung und einer speziellen Jackknife-HAC-Varianzkorrektur vor, der zuverlässige statistische Inferenz unter räumlicher Abhängigkeit und fehlenden, zufällig verteilten Labels ermöglicht, indem er die durch Kreuzvalidierung verursachte Verzerrung der Varianzschätzer korrigiert.
Diese Arbeit führt mit Blatt- und Struktur-Reue zwei komplementäre Maße ein, um die beobachtete Mehrdeutigkeit bei Entscheidungsbäumen zu zerlegen, wobei sie zeigt, dass die Instabilität der Baumstruktur der Haupttreiber dieser Variabilität ist und diese Maße zur Verbesserung der Modellsicherheit durch selektive Vorhersage genutzt werden können.
Diese Arbeit stellt einen auf dem Free-Prinzip basierenden Algorithmus für das soziale Bandit-Lernen vor, der es einem Agenten ermöglicht, die Expertise anderer nicht-expertischer und diverser Agenten ohne Kenntnis ihrer Belohnungen zu schätzen und zu nutzen, um so die individuelle Lernleistung zu verbessern und logarithmische Reue zu gewährleisten.
Diese Arbeit zeigt, dass der Follow-the-Perturbed-Leader-Algorithmus mit Fréchet- und Pareto-Verteilungen sowie einer optimierten geometrischen Resampling-Methode für das -Set-Semi-Bandit-Problem sowohl im adversarischen als auch im stochastischen Setting optimale Regret-Garantien bei reduzierter rechnerischer Komplexität bietet.
Diese Arbeit untersucht das Phänomen des Modellkollapses durch eine lerntheoretische Analyse der Sprachgenerierung mit Replay, die zeigt, wie das Wiederaufnehmen maschinell generierter Inhalte in Trainingsdaten die Leistungsfähigkeit von Modellen unter bestimmten theoretischen Bedingungen fundamental einschränkt und dabei praktische Lösungsansätze wie Datenbereinigung sowohl bestätigt als auch ihre Grenzen aufzeigt.
Dieses Kapitel legt die Grundlagen für das Quaternionen-Machine-Learning, indem es erweiterte Statistik, weitgehend lineare Modelle, Quaternionen-Kalkül und die Mittelwertquadrat-Schätzung einführt, um die Anwendung von Quaternionen in der dreidimensionalen Modellierung und industriellen Praxis zu fördern.
Diese Arbeit stellt ein neues Test-then-pool-Framework vor, das mithilfe von Kernel-Äquivalenztests und Bootstrap-Verfahren historische Kontrolldaten sicher in klinische Studien integriert, um die statistische Power zu erhöhen, ohne die Fehlerkontrolle zu gefährden.
Die Arbeit stellt EnTransformer vor, ein tiefes generatives Transformer-Modell, das durch die Kombination von „engression" und energiebasierter Optimierung präzise, parametrische Annahmen vermeidende multivariate probabilistische Vorhersagen mit gut kalibrierten Unsicherheitsquantifizierungen ermöglicht.
Die Arbeit stellt die Lokale Adjazenz-Spektraleinbettung (LASE) vor, eine Methode, die durch gewichtete spektrale Zerlegung lokale, niedrigdimensionale Strukturen in Netzwerken aufdeckt und damit die Einschränkungen globaler Einbettungen überwindet, um sowohl die lokale Rekonstruktion als auch die globale Visualisierung zu verbessern.