335 Arbeiten
Die Autoren stellen die Volterra-Signatur als eine interpretierbare, universell approximierende und rechnerisch effiziente Merkmalsdarstellung für nicht-Markovsche Zeitreihen vor, die durch lineare ODEs, Zeitreparametrisierungsinvarianz und Kernel-Methoden fundiert ist und in Experimenten klassische Signaturen übertrifft.
Diese Arbeit stellt einen oracle-effizienten Lernalgorithmus für das hybride Online-Lernen unter eingeschränkten Adversaries vor, der durch eine neue Frank-Wolfe-Reduktion und Martingal-Schranken gleichzeitig statistische Optimalität und Recheneffizienz erreicht.
Diese Arbeit beweist eine rigorose Äquivalenz zwischen dem K-Means-Algorithmus und differenzierbaren Radial-Basis-Funktions-Netzen, indem sie zeigt, dass sich die RBF-Ziele im Grenzfall verschwindender Temperatur zu K-Means konvergieren, und schlägt die Integration von Entmax-1.5 zur Stabilisierung vor, um eine nahtlose Einbettung von Clustering in Deep-Learning-Architekturen zu ermöglichen.
Diese Arbeit stellt robuste, vorhersagegestützte Algorithmen für den Unabhängigkeitstest vor, die im worst-case ihre Gültigkeit bewahren, aber bei genauen Vorhersagen die Stichprobenkomplexität signifikant reduzieren und dabei optimale untere Schranken erreichen.
Diese Arbeit stellt sFRC (Fourier-Ring-Korrelation auf kleinen Patches) als robuste Methode vor, um Halluzinationen in durch Deep Learning rekonstruierten medizinischen Bildern zu erkennen und zu quantifizieren, indem sie diese über verschiedene Unterabtastungsszenarien hinweg mit Referenzdaten vergleicht.
Die Studie schlägt vor, dass das Gehirn Erinnerungen durch „vorhersagebasiertes Vergessen" komprimiert, um die Generalisierungsfähigkeit zu optimieren, wobei offline-Replay und iterative Verfeinerung notwendig sind, um diese Kompression unter biologischen Einschränkungen zu erreichen.
Diese Arbeit schließt eine entscheidende Lücke in der kausalen Entdeckung, indem sie erstmals eine Äquivalenzcharakterisierung und einen lernbasierten Algorithmus für lineare nicht-gaußsche zyklische Modelle mit latenten Variablen ohne strukturelle Annahmen bereitstellt.
Diese Arbeit zeigt, dass die durch Lokalität und Gewichts-Sharing bedingte Architektur-induktive Verzerrung von Faltungsnetzwerken die implizite Regularisierung so verändert, dass diese im Gegensatz zu vollvernetzten Netzen eine erfolgreiche Generalisierung auf hochdimensionalen sphärischen Daten ermöglichen.
Diese Arbeit zeigt, dass bei hochdimensionalen Zufallsdaten der Gradientenabstieg für flache ReLU-Netzwerke mit hoher Wahrscheinlichkeit eine implizite Verzerrung zugunsten der Minimum-L2-Norm-Lösung aufweist, wobei die Abweichung von der exakten Lösung in der Größenordnung von liegt.
Die Arbeit interpretiert das Phänomen der „Edge of Stability" durch Richtungs-Glattheit und erweitert es auf nicht-euklidische Normen, wodurch ein einheitlicher, geometrieaware Schärfe-Maßstab entsteht, der zeigt, dass auch nicht-euklidische Gradientenabstiegsverfahren (wie -Descent oder Block-CD) eine progressive Schärfung bis zu einem Schwellenwert von $2/\eta$ aufweisen.
Die Studie stellt fedCI und fedCI-IOD vor, eine neue Methode für die federierte kausale Entdeckung, die es ermöglicht, unter Berücksichtigung von Datenschutz, heterogenen Variablen und latenten Störfaktoren kausale Zusammenhänge über verteilte Datensätze hinweg zu identifizieren, ohne diese zentralisieren zu müssen.
Die vorgestellte Arbeit führt den sequentiellen Schwellenwert für den Variationskoeffizienten (STCV) ein, einen neuen, datenskalingunabhängigen Regularisierer, der die robuste und zuverlässige Identifikation sparser nichtlinearer Dynamikgesetze aus normalisierten, verrauschten Daten ermöglicht und damit die Schwächen herkömmlicher SINDy-Methoden überwindet.
Diese Arbeit stellt einen neuartigen Rahmen vor, der demografische Parität und bedingte demografische Parität durch effiziente Störungen der unbeschränkten optimalen individuellen Entscheidungsregeln in die Schätzung einbindet, um diskriminierende Effekte zu vermeiden, wobei die theoretische Konvergenz und praktische Wirksamkeit durch Simulationen und eine Anwendung auf das Oregon-Gesundheitsversicherungs-Experiment nachgewiesen werden.
Diese Studie zeigt, dass für das optimale Out-of-Distribution-Probing von Vision-Transformern je nach Stärke der Verteilungsverschiebung entweder die Aktivierungen des Feedforward-Netzwerks oder die normalisierten Ausgaben des Multi-Head-Self-Attention-Moduls verwendet werden sollten, um die Leistungstiefs tieferer Schichten zu überwinden.
Der Artikel stellt die Bayesian Supervised Causal Clustering (BSCC)-Methode vor, die mithilfe von Behandlungseffekten als Zielvariable homogene Patientengruppen identifiziert, um personalisierte Entscheidungen im Gesundheitswesen und in der Politikbewertung zu unterstützen, und validiert diesen Ansatz sowohl an simulierten als auch an realen Daten aus dem dritten International Stroke Trial.
Die Autoren schlagen asymmetrische Shapley-Werte als ehrliches Maß zur Bewertung der Bedeutung genomischer Merkmale in klinischen Vorhersagemodellen vor, um die Probleme von Kollinearität und bekannten Kausalrichtungen zu adressieren, und stellen effiziente Algorithmen für lokale und globale Analysen vor, die am Beispiel der Progressions-freien Überlebenszeit bei Darmkrebspatienten veranschaulicht werden.
Diese Arbeit zeigt, dass die Admissibilität in der prädiktiven Inferenz irreduzibel kriterienrelativ ist, indem sie vier paarweise nicht-nested Admissibilitätsgeometrien identifiziert, die jeweils durch unterschiedliche Zertifikate der Optimalität und inkompatible Optimierungsrahmen charakterisiert werden.
Diese Arbeit entwickelt eine umfassende statistische Theorie für empirische Risikominimierungs-Entscheidungsbäume, die durch scharfe Oracle-Ungleichungen und minimax-optimale Raten über neuartige Funktionenklassen die statistische Optimalität und den Kompromiss zwischen Interpretierbarkeit und Genauigkeit unter verschiedenen Rauschbedingungen rigoros begründet.
Dieser Artikel bietet eine statistische Übersicht über den Einsatz synthetischer Daten durch generative KI, beleuchtet deren Chancen und methodische Grenzen und leitet daraus Prinzipien sowie praktische Empfehlungen für eine valide Anwendung in Forschung und Praxis ab.
Die Arbeit stellt ein einheitliches thermodynamisches Rahmenwerk vor, das durch Posterior-Temperierung induzierte Antwortfunktionen nutzt, um die komplexe Geometrie singulärer statistischer Modelle zu interpretieren und Konzepte wie den realen logarithmischen kanonischen Schwellenwert sowie WAIC und WBIC als thermodynamische Größen zu vereinen.