329 Arbeiten
Dieser Beitrag stellt eine kostengesteuerte Methode zur Erlernung von Zustandsrepräsentationen für die lineare quadratische Gaußsche (LQG) Steuerung vor und liefert erstmals endliche Stichproben-Garantien für die Konvergenz zu einem nahezu optimalen Regler, indem ein latentes Modell ausschließlich durch die Vorhersage von Kosten statt von Beobachtungen gelernt wird.
Diese Arbeit zeigt, dass durch eine sorgfältige Kombination von Stichprobenaufteilung und gezieltem Tuning der Störvariablen-Schätzer (Untersmoothing oder Oversmoothing) sowohl Plug-in- als auch verzerrungskorrigierte Schätzer für doppelt robuste Funktionale über alle Hölder-Glattheitsklassen hinweg minimax-optimal konvergieren können.
Die Autoren stellen eine neuartige statistische Lernmethode für Multi-Item-Auktionen vor, die auf nichtparametrischer Dichteschätzung und Konfidenzintervallen basiert, um durch zwei effiziente Strategien die Implementierungskosten zu senken und gleichzeitig hohe Wahrscheinlichkeiten für Fairness, Anreizkompatibilität und individuelle Rationalität bei gleichzeitiger Umsatzmaximierung zu gewährleisten.
Die Arbeit stellt OTAD vor, ein neuartiges zweistufiges Verteidigungsmodell, das die Vorteile von adversarialem Training und Lipschitz-Netzen durch die Nutzung optimaler Transporttheorie und konvexer Integration vereint, um Deep-Learning-Systeme sowohl präzise als auch lokal Lipschitz-stetig und damit robust gegenüber unbekannten Angriffen zu machen.
Die Arbeit etabliert die statistischen Grundlagen des Mini-Batch-Maximum-Partial-Likelihood-Schätzers (mb-MPLE) für Deep-Cox-Modelle, beweist dessen Konsistenz und asymptotische Normalität und liefert praktische Richtlinien für das Hyperparameter-Tuning sowie die Anwendung in großskaligen Szenarien, in denen herkömmliche Schätzer nicht berechenbar sind.
Diese Arbeit schlägt einen effizienten Annealed Importance Sampling-Ansatz zur Verbesserung des Variational Learning von Gaussian Process Latent Variable Models vor, der durch eine sequenzielle Transformation der Posterior-Verteilung und eine Reparameterisierung des ELBO robustere Konvergenz und engere Variationsgrenzen als bestehende Methoden erreicht.
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.
Die Autoren stellen einen allgemeinen Transfer-Learning-Rahmen für das Clustering vor, der einen adaptiven Algorithmus (ATC) nutzt, um die Gemeinsamkeiten zwischen einem Haupt- und einem Hilfsdatensatz automatisch zu nutzen, selbst bei unbekannten Diskrepanzen, und dessen theoretische Optimalität sowie praktische Wirksamkeit in verschiedenen Szenarien nachgewiesen wird.
Diese Arbeit leitet Fehlergrenzen für den Excess Risk bei Klassifizierungsproblemen mit verrauschten Labels in Deep-Learning-Frameworks ab, indem sie statistische Fehler unter Berücksichtigung von Abhängigkeiten und Approximationsfehler im Vektorraum unter der Low-Dimensional-Manifold-Hypothese analysiert.
Die Arbeit stellt A3RL vor, einen neuen Online-Reinforcement-Learning-Ansatz, der durch eine konfidenzbasierte, aktive Stichprobenstrategie (A3) Offline- und Online-Daten dynamisch kombiniert, um die Stichprobeneffizienz zu steigern und das Vergessen früherer Fähigkeiten zu vermeiden.
Die Arbeit stellt eine adaptive Replikationsstrategie für trust-region-basierte Bayesianische Optimierung vor, die durch die intelligente Zuweisung wiederholter Bewertungen bei stochastischen Funktionen mit hoher Varianz die Lösungspräzision und Recheneffizienz im Vergleich zu Baseline-Methoden erheblich verbessert.
Dieses Papier stellt einen individualisierten Offline-Verstärkungslernrahmen für heterogene Zeit-stationäre MDPs vor, der mithilfe eines Modells mit individuellen latenten Variablen und des P4L-Algorithmus suboptimale Polices für heterogene Populationen vermeidet und eine schnelle Regret-Konvergenz unter schwachen Annahmen garantiert.
Die Arbeit stellt zwei neue Online-Algorithmen für das Entscheidungsorientierte Lernen in dynamischen Umgebungen vor, die durch Regularisierung und Perturbations-Techniken differenzierbare, nicht-konvexe Probleme lösen und erstmals statische sowie dynamische Regret-Schranken garantieren.
Diese Studie vergleicht imputationsbasierte Methoden (MICE) mit generativen Modellen wie VAEs und CTGANs für die synthetische Datengenerierung in der Tarifgestaltung und zeigt, dass MICE-Modelle bei geringerer Implementierungskomplexität eine hohe Datenqualität und Konsistenz bei GLM-Modellen bieten.
Diese Arbeit schlägt die Klasse von Methoden F²SA-p vor, die durch die Verwendung von p-ter Ordnung endlichen Differenzen zur Approximation des Hypergradienten die Komplexität für stochastische Bilevel-Optimierungsprobleme mit hochgradig glatten Funktionen auf verbessert und damit nahezu die untere Schranke von erreicht.
Diese Arbeit stellt eine Methode vor, die Deep Learning mit dem theoretischen Rahmenwerk der dynamischen Eingangsimpedanzen (DICs) kombiniert, um degenerierte Populationen leitfähigkeitsbasierter Neuronmodelle schnell und robust ausschließlich aus Spike-Zeiten zu rekonstruieren.
Diese Arbeit stellt den ersten vollständig empirischen PAC-Bayes-Schranken für Markov-Ketten vor, indem sie eine empirische Schranke für den Pseudo-spektralen Lückenwert bei endlichen Zustandsräumen ableitet und so die Abhängigkeit von unbekannten theoretischen Konstanten überwindet.
Die vorgestellte Arbeit führt GDR-Lerner ein, eine flexible Familie generativer Modelle, die durch Orthogonalität Neyman-orthogonale, doppelrobuste und asymptotisch optimale Schätzer für die Verteilung potenzieller Ergebnisse aus Beobachtungsdaten ermöglichen und dabei bestehende Methoden übertreffen.
Diese Arbeit stellt die Overlap-Adaptive Regularisierung (OAR) vor, eine neuartige Methode, die die Schätzung des bedingten durchschnittlichen Behandlungseffekts (CATE) in Bereichen mit geringer Überlappung verbessert, indem sie die Regularisierung bestehender Meta-Learner proportional zu den Überlappungsgewichten anpasst.
Diese Arbeit stellt den DRQ-Lerner vor, einen neuartigen Meta-Lerner für Markov-Entscheidungsprozesse, der auf Beobachtungsdaten basiert und durch Eigenschaften wie doppelte Robustheit, Neyman-Orthogonalität und quasi-orakel-effiziente Schätzung eine theoretisch fundierte und flexible Lösung für die Vorhersage individueller Ergebnisse in der personalisierten Medizin bietet.