329 Arbeiten
Diese Arbeit stellt eine neue Fréchet-Regression für multivariate Verteilungsantworten vor, die auf dem nicht-paranormalen Transport (NPT) basiert, um die Schätzung effizient zu gestalten, die Dimensionalitätsfluch-Problematik zu mildern und sowohl theoretische Konvergenzgarantien als auch praktische Anwendbarkeit zu gewährleisten.
Die vorgestellte Arbeit entwickelt tiefe generative räumlich-zeitliche Engressionen-Methoden, die durch endogene Unsicherheitsquantifizierung zuverlässige probabilistische Epidemievorhersagen auf niedrigen Frequenzdatensätzen ermöglichen und dabei sowohl in der Genauigkeit als auch in der Erklärungsfähigkeit bestehende Benchmarks übertreffen.
Die vorgestellte Arbeit führt den DualAdam-Optimierer ein, der die Konvergenz von Adam mit dem generalisierungsstärkeren, inversen Update-Mechanismus von InvAdam kombiniert, um durch das mathematisch fundierte Verlassen scharfer Minima die Generalisierungsfähigkeit von Deep-Learning-Modellen zu verbessern.
Die Arbeit stellt mit MSKernelBench einen umfassenden Benchmark für verschiedene GPU-Kernel-Szenarien vor und entwickelt CUDAMaster, ein Multi-Agenten-System, das durch hardwarebewusste Optimierung und Profiling signifikante Geschwindigkeitssteigerungen erzielt und dabei etablierte Bibliotheken wie cuBLAS konkurrenzfähig macht.
Diese Arbeit stellt eine Methode zur konditionalen Rang-Rang-Regression vor, die auf tiefen konditionalen Transformationsmodellen (DCTM) basiert, um die intergenerationale Mobilität unter Berücksichtigung von Kovariaten und für sowohl kontinuierliche als auch diskrete geordnete Ergebnisse präziser zu schätzen und dabei nichtlineare Effekte sowie komplexe Interaktionen zu erfassen.
Die Arbeit stellt Variational Flow Maps vor, ein Framework für die bedingte Generierung, das durch das Lernen einer angepassten Rauschverteilung anstelle des Verfolgens eines iterativen Pfades hochwertige Bilder in einem einzigen Vorwärtsschritt erzeugt und damit inverse Probleme effizient löst.
Die Arbeit stellt einen theoretisch fundierten Rahmen für das Training robuster Strategien in teilweise beobachtbaren Umgebungen vor, bei dem ein Gegner eine versteckte Anfangsverteilung wählt, und zeigt anhand des Battleship-Benchmarks, dass gezielte Exposition gegenüber solchen Verschiebungen die Robustheit signifikant verbessert.
Die Autoren stellen DistGP vor, eine verteilte Methode für Multi-Roboter-Kartierung, die auf einem spärlichen Gauß-Prozess-Modell mit Gaußschem Glaubensausbreitung basiert und dabei eine höhere Genauigkeit sowie Robustheit bei asynchroner Kommunikation und kontinuierlichem Lernen im Vergleich zu zentralisierten Ansätzen und verteilten neuronalen Netzen erreicht.
Dieser zweite Teil der Arbeit untersucht kostengesteuertes Repräsentationslernen für die lineare quadratische Gaußsche (LQG) Regelung mit unendlichem Zeithorizont, indem er finite-Sample-Garantien für die Lernverfahren bietet, die entweder explizite oder implizite latente Dynamikmodelle (ähnlich MuZero) nutzen, und dabei eine neue technische Leistung zur Persistenz der Erregung für stochastische Prozesse erbringt.
Diese Monografie bietet einen rigorosen Überblick über theoretische und methodische Aspekte der probabilistischen Inferenz und des Lernens mit Steinscher Methode, einschließlich der Konstruktion von Stein-Diskrepanzen, ihrer Eigenschaften sowie der detaillierten Verbindung zu Steinschem variationsbasiertem Gradientenabstieg.
Die Arbeit stellt ein datenschutzfreundliches Framework für konforme Vorhersagen vor, das durch den Einsatz von Differential Privacy auf die gesamte Datenmenge verzichtet, anstatt diese aufzuteilen, und so präzisere Vorhersagemengen bei garantierter Abdeckung ermöglicht.
Die Arbeit stellt ReGEN-TAD vor, ein interpretierbares generatives Framework, das moderne maschinelles Lernen mit ökonometrischen Diagnoseverfahren kombiniert, um Anomalien in hochdimensionalen Finanzzeitreihen durch die Aggregation mehrerer Signale wie Vorhersageinkonsistenzen und Rekonstruktionsverschlechterungen robust und ohne gelabelte Daten zu erkennen.
Diese Arbeit untersucht paralleles Schließen in Sprachmodellen durch die Anwendung von Partikelfilter-Algorithmen wie Sequential Monte Carlo, um theoretische Garantien und fundamentale Grenzen für den Trade-off zwischen Genauigkeit und Kosten bei der Stichprobenziehung zu identifizieren.
Diese Studie stellt einen Bayesian Transformer vor, der drei Unsicherheitsmechanismen in eine PatchTST-Architektur integriert, um in Smart Grids überlegene, kalibrierte probabilistische Lastprognosen zu liefern, die auch bei extremen Wetterereignissen robuste Unsicherheitsschätzungen bieten und damit den aktuellen Stand der Technik übertreffen.
Dieser Beitrag stellt ein Transfer-Learning-Framework vor, das durch die Integration von Seiteninformationen wie Momentenbeschränkungen und Dichteverhältnissen in schätz-zentrierte Unsicherheitsmengen robuste, weniger konservative Strategien für Markov-Entscheidungsprozesse unter Umgebungsverschiebungen ermöglicht und dabei die Sample-Effizienz sowie die Ziel-Domain-Leistung im Vergleich zu bestehenden Methoden verbessert.
Die Autoren stellen eine Reinforcement-Learning-Pipeline vor, die Knotendiagramme vereinfacht und erfolgreich auf „sehr harte" Unknoten sowie auf das verknüpfte Produkt $4_1\#9_{10}$ angewendet wurde, wobei die überraschende obere Schranke von drei für die Unknotungszahl bestätigt werden konnte.
Der Artikel stellt LCBO vor, einen neuartigen Rahmen für die Bayessche Optimierung unter Nebenbedingungen in hochdimensionalen Räumen, der durch den Wechsel zwischen lokaler Abstiegs- und explorativer Suche eine polynomial skalierende Konvergenzrate erreicht und damit bestehende Methoden in Bezug auf Effizienz und Leistung übertrifft.
Die Autoren stellen einen lernbasierten Ansatz namens „amortized MIPS" vor, der neuronale Netze (SupportNet und KeyNet) nutzt, um die Maximum Inner Product Search durch die Approximation der konvexen Support-Funktion zu beschleunigen und dabei die optimalen Schlüsselvektoren entweder über Gradientenberechnung oder direkte Regression vorherzusagen.
Diese Arbeit stellt eine neuartige, erklärbare Methode zur Zustandsüberwachung vor, die ausschließlich auf gesunden Daten basiert, um mittels probabilistischer Anomalieerkennung und Unsicherheitsquantifizierung Fehler in Hubschraubergetrieben frühzeitig zu erkennen und zu interpretieren.
Dieses Papier kritisiert die aktuelle, rein metrikzentrierte Evaluierung von Langzeitzeitreihenvorhersagen als strukturell fehlgeleitet und fordert einen multidimensionalen Ansatz, der statistische Treue, strukturelle Kohärenz und Entscheidungsrelevanz integriert, um den Fokus von bloßen Benchmark-Rankings auf sinnvolle, kontextbewusste Fortschritte zu lenken.