329 Arbeiten
Die Studie zeigt, dass aktuelle graphbasierte Deep-Learning-Methoden für Tabellendaten zwar auf der Modellierung von Feature-Interaktionen basieren, deren zugrundeliegende Graphstrukturen jedoch kaum korrekt rekonstruieren, was die Notwendigkeit unterstreicht, die Strukturmodellierung zu priorisieren, um die Vorhersagegenauigkeit zu verbessern.
Die vorgestellte Arbeit führt skalierbare, regularisierte Wasserstein-Gradientenflüsse ein, die durch Mini-Batch-Optimaltransport und die Integration von Label-Informationen einen neuen State-of-the-Art für die Berechnung von Baryzentren in Anwendungen wie Computer Vision und Neurobiologie darstellen.
Die Arbeit stellt „Mercer-Priors" vor, eine neue Klasse von Priors für Bayesianische neuronale Netze, die durch direkte Definition über die Mercer-Darstellung von Kovarianzkernen interpretierbare Gitterprozesse approximieren und so die Skalierbarkeit neuronaler Netze mit der Interpretierbarkeit von Gauß-Prozessen für die Unsicherheitsquantifizierung verbinden.
Die Arbeit stellt eine neue Methode vor, die durch gezielte anisotrope Rauschinjektion im entkoppelten latenten Raum die Abhängigkeit von Shortcut-Merkmalen reduziert und so die Generalisierungsfähigkeit auf Out-of-Distribution-Daten verbessert, ohne auf Shortcut-Labels oder widersprüchliche Trainingsbeispiele angewiesen zu sein.
Die Arbeit stellt SISR (Sparse Isotonic Shapley Regression) vor, ein einheitliches nichtlineares Erklärungsframework, das durch gleichzeitiges Lernen einer monotonen Transformation zur Wiederherstellung der Additivität und Erzwungung von L0-Sparsity die Verzerrungen herkömmlicher Shapley-Werte bei nicht-additiven Payoffs und hochdimensionalen Merkmalen überwindet.
Dieses Paper stellt einen parametrenfreien Ansatz zur topologischen Vergröberung räumlicher Graphen vor, der durch eine neuartige, dreiecksbewusste Filtration und das Zusammenfalten kurzer Kanten die Graphengröße signifikant reduziert, während wesentliche topologische Merkmale unter Berücksichtigung räumlicher Informationen erhalten bleiben.
Die Arbeit stellt ein neues Actor-Critic-Verfahren mit robusten Schätz-Orakeln vor, das erstmals nicht-vakante Garantien für das Lernen nahezu optimaler Strategien in hochdimensionalen, spärlichen Offline-Reinforcement-Learning-Szenarien unter starken Datenkorruptionen und Single-Policy-Concentrability-Bedingungen liefert.
Diese Arbeit stellt einen amortisierten Bayes'schen Inferenzansatz für Graphdaten vor, der Permutationsinvarianz und Skalierbarkeit durch eine Zwei-Modul-Pipeline aus Graph-Encoder und neuronalem Posterior-Schätzer gewährleistet, um Parameter auf Knoten-, Kanten- und Graphenebene in synthetischen sowie realen Anwendungen aus Biologie und Logistik effektiv zu schätzen.
Die Arbeit stellt einen skalierbaren, multitask-fähigen Gauß-Prozess mit funktionalen Kovariaten vor, der durch eine voll separierbare Kernel-Struktur und Kronecker-Strukturen effiziente Unsicherheitsquantifizierung für komplexe mechanische Systeme ermöglicht und dabei in Tests an einer genieteten Baugruppe deutlich bessere Ergebnisse als Single-Task-Modelle bei geringerem Rechenaufwand liefert.
Die Arbeit zeigt, dass neuartige Partitionen mit ungleichen Volumina im Vergleich zum klassischen Jittered Sampling zu Punktmengen mit einer geringeren erwarteten Stern-Diskrepanz führen und damit verbesserte obere Schranken sowie eine theoretische Grundlage für numerische Integrationen in hohen Dimensionen liefern.
Die vorgestellte Arbeit führt das Khatri-Rao-Clustering-Paradigma ein, das durch die Zerlegung von Centroiden in interagierende Protocentroid-Sets sowohl den k-Means- als auch den Deep-Clustering-Ansatz verbessert, um prägnantere und dennoch genauere Datensummen zu erzeugen.
Die vorgestellte Arbeit schlägt einen latenten Autoencoder-Ensemble-Kalman-Filter (LAE-EnKF) vor, der die Datenassimilation in stark nichtlinearen Systemen verbessert, indem er das Problem in einen gelernten latenten Raum mit stabilen linearen Dynamiken transformiert, was zu höherer Genauigkeit und Stabilität im Vergleich zu herkömmlichen Methoden führt.
Die Arbeit stellt NEST vor, ein Framework für das Gerätelayout im verteilten Deep Learning, das durch strukturierte dynamische Programmierung Parallelismus, Speicherkapazität und Netzwerktopologie gemeinsam optimiert und damit im Vergleich zu bestehenden Methoden eine bis zu 2,43-fach höhere Durchsatzleistung sowie verbesserte Skalierbarkeit und Speichereffizienz erzielt.
Das Paper stellt CREDO vor, eine Methode, die durch die Kombination von credalen Envelopes zur Darstellung epistemischer Unsicherheit und konformaler Kalibrierung für garantierte Abdeckung interpretierbare und effiziente Regressionsintervalle erzeugt, deren Breite sich in aleatorisches Rauschen, epistemische Inflation und einen kalibrierungsbedingten Spielraum zerlegen lässt.
Die Arbeit charakterisiert die exakte Minimix-Regret-Rate für kontextuellen bilateralen Handel bei Bewertungen mit unendlicher Varianz, indem sie einen epochenbasierten Algorithmus unter Verwendung von abgeschnittenen Mittelwertschätzern vorstellt und dessen Optimalität durch eine passende untere Schranke nachweist.
Diese Arbeit stellt einen einheitlichen theoretischen und rechnerischen Rahmen vor, der Variationsprinzipien, Greensche Funktionen und die Charakteristikenmethode vereint, um maßgeschneiderte Kernel für Transportgleichungen zu konstruieren und so die Approximation von Koopman-Eigenfunktionen sowie die Lösung verwandter linearer PDEs durch datengetriebene Kernel-Lernverfahren zu ermöglichen.
Die Studie zeigt, dass Fairness-Maßnahmen im maschinellen Lernen je nach Verfügbarkeit sensibler Attribute entweder die Ergebnisse benachteiligter Gruppen verbessern oder zu einem „Leveling Down" führen können, bei dem beide Gruppen schlechter dastehen.
Die Arbeit zeigt, dass Policy-Gradient-Methoden beim Nachtrainieren von linearen autoregressiven Modellen mit Ergebnisbelohnungen eine fundamentale Barriere bezüglich der Unterstützung des Basismodells aufweisen, die durch den Einsatz von Prozessbelohnungen überwunden werden kann, um die Dimensionalität zu vermeiden.
Die Arbeit zeigt, dass regulatorische Maßnahmen, die sich ausschließlich auf den durchschnittlichen Behandlungseffekt (ATE) stützen, durch kausales Maskieren getäuscht werden können, was zu erheblicher Ungleichbehandlung führt und eine Regulierung auf Modellebene statt auf Entscheidungsebene erfordert.
Die Arbeit stellt das neue Online-Lernproblem der kombinatorischen Zuordnungsbanditen (CAB) vor, das die Zufriedenheit der Arme in Matching-Plattformen optimiert, und entwickelt sowie bewertet dafür Upper-Confidence-Bound- und Thompson-Sampling-Algorithmen, die theoretische Regret-Grenzen erreichen und auf synthetischen Daten effektiv sind.