330 Arbeiten
Diese Arbeit stellt die ReinMax-Rao- und ReinMax-CV-Schätzer vor, die Rao-Blackwellisierung und Kontrollvariablen nutzen, um die hohe Varianz des ReinMax-Algorithmus für diskrete latente Variablen zu reduzieren und so das Training von Variational Autoencodern zu verbessern.
Diese Arbeit leitet sublineare Bayes'sche Regret-Schranken für den GP-PSRL-Algorithmus in kontinuierlichen Steuerungsproblemen mit unbeschränkten Zustandsräumen her, indem sie durch eine rekursive Anwendung der Borell-Tsirelson-Ibragimov-Sudakov-Ungleichung und die Kettenmethode die Beschränktheit der besuchten Zustände nachweist und eine enge Abhängigkeit vom maximalen Informationsgewinn erreicht.
Die vorgestellte Arbeit entwickelt eine neue Methode zur Generierung plausibler Gegenbeispiel-Erklärungen für Zeitreihenklassifikation, die durch gradientenbasierte Optimierung und eine soft-DTW-basierte Plausibilitätskomponente realistischere zeitliche Strukturen erzeugt als bestehende Ansätze.
Diese Arbeit vereint Online- und Off-Policy-Varianzreduktionsmethoden, indem sie die mathematische Äquivalenz zwischen dem Difference-in-Means-Schätzer und einem optimierten Inverse Propensity Scoring-Schätzer sowie zwischen Regressionsanpassungsverfahren und Doubly Robust-Schätzung nachweist.
Diese Arbeit stellt einen neuartigen Optimierungsalgorithmus auf Basis der fraktionalen Kalkültheorie vor, der durch den Einsatz des Weighted Fractional Weyl Integrals als dynamischen Gedächtnisoperator die Nachteile lokaler Gradientenverfahren überwindet und in stark unausgewogenen Datensätzen wie denen der Finanzbetrugserkennung signifikant robustere Ergebnisse erzielt.
Die vorgestellte Arbeit stellt eine effiziente Methode zur Erzeugung von Glaubensmengen (Credal Sets) durch Decalibration vor, die es ermöglicht, epistemische Unsicherheit auch bei komplexen Modellen wie TabPFN und CLIP ohne den hohen Rechenaufwand eines Ensembles zu quantifizieren.
Diese Arbeit überwindet die durch die Verzerrung von Schätzern bei nichtlinearen Nutzenfunktionen verursachte Ineffizienz im multi-objektiven Reinforcement Learning, indem sie einen Natural Policy Gradient-Algorithmus mit einem Multi-Level-Monte-Carlo-Schätzer entwickelt, der die optimale Stichprobenkomplexität von erreicht.
Der Artikel stellt Generative Adversarial Regression (GAR) vor, ein Framework, das durch eine Minimax-Formulierung und die Ausrichtung auf nachgelagerte Risikofunktionale wie VaR und ES realistische, bedingte Risikoszenarien generiert, die unter adversarisch ausgewählten Politiken robuster und genauer sind als herkömmliche Baselines.
Diese Arbeit leitet eine obere Schranke für den Approximationsfehler linearer Wertfunktionsapproximationen in der Verstärkungslernung her, die zeigt, wie sich die Qualität der Laplace-basierten Zustandsrepräsentation mit der algebraischen Konnektivität des Übergangsgraphen skaliert, und liefert dabei eine vollständige Fehlerzerlegung für den gesamten Lernprozess ohne Annahmen zur Symmetrie der Übergangskernel.
Dieses Paper stellt Momentum SVGD-EM vor, eine beschleunigte Variante des EM-Algorithmus für die maximale marginale Likelihood-Schätzung, die durch die Einführung von Nesterov-Acceleration sowohl in den Parameter-Updates als auch im Raum der Wahrscheinlichkeitsmaße eine schnellere Konvergenz in verschiedenen Szenarien erreicht.
Die Arbeit stellt strukturelle kausale Flaschenhals-Modelle (SCBMs) vor, die kausale Effekte zwischen hochdimensionalen Variablen auf niedrigdimensionale Zusammenfassungen zurückführen, um eine flexible, identifizierbare und schätzbare Dimensionreduktion für Aufgaben wie Transferlernen zu ermöglichen.
Dieses Paper stellt eine neue Methode vor, die Low-Rank-Matrix-Vervollständigung durch eine disjunktive Branch-and-Bound-Strategie und neuartige konvexe Relaxierungen löst, um für Probleme bis zu 2500 Dimensionen und Rang 5 zertifizierbare Optimalität zu erreichen und dabei die Testfehler im Vergleich zu etablierten Heuristiken signifikant zu senken.
Der Artikel stellt ein effizientes, auf Optimaler Transport basierendes Aggregationsverfahren für verteilte Mixture-of-Experts-Modelle vor, das durch Minimierung einer Transportdivergenz eine globale Schätzung mit nur einem Kommunikationsschritt ermöglicht und dabei statistische Konsistenz sowie eine dem zentralen Training vergleichbare Leistung bei deutlich reduzierter Rechenzeit garantiert.
Dieser Artikel stellt zwei robuste Kriterien und einen darauf basierenden Differenz-der-Konvex-Algorithmus vor, um optimale Behandlungsregeln für zensierte Überlebensdaten zu ermitteln, die entweder die abgeschnittene mittlere Überlebenszeit oder gepufferte Überlebenswahrscheinlichkeiten maximieren.
Diese Arbeit formuliert kontinuierliche Optimal-Stopp-Probleme aus Reinforcement-Learning-Perspektive als regularisierte singuläre stochastische Steuerung mit endlichem Brennstoff, leitet daraus eine eindeutige optimale explorative Strategie her und entwickelt sowohl modellbasierte als auch skalierbare modellfreie Actor-Critic-Algorithmen zur Lösung dieser Probleme.
Die Studie stellt mit EarthquakeNPP ein neues Benchmark-System für die Erdbebenprognose vor, das aufbereiteten Daten und etablierte seismologische Modelle wie ETAS nutzt, und zeigt, dass die getesteten neuronalen Punktprozesse (NPPs) die Leistung des klassischen ETAS-Modells in aktuellen Anwendungen noch nicht übertreffen.
Die Studie zeigt, dass Diffusionsmodelle bei knappen Daten nicht abrupt, sondern durch einen allmählichen geometrischen Zusammenbruch ihrer latenten Dimensionalität memorieren, bei dem zunächst markante Merkmale und dann feinere Details eingefroren werden, was zu einer Phase zwischen Generalisierung und exakter Kopie führt.
Die Arbeit stellt CLIQUE vor, eine neue modellunabhängige Methode zur Berechnung der lokalen Variablenwichtigkeit, die im Gegensatz zu etablierten Verfahren wie LIME und SHAP lokale Abhängigkeiten und Interaktionen erfasst, insbesondere bei Mehrklassen-Klassifikationsproblemen, und Verzerrungen in Bereichen reduziert, in denen Variablen keinen Einfluss auf die Antwort haben.
Diese Arbeit stellt ein neues statistisches Modell für Paarvergleiche vor, das auf einer schief-symmetrischen Matrix basiert und die einschränkende Annahme der stochastischen Transitivität aufgibt, um in realen Szenarien mit komplexen Fähigkeiten oder Strategien eine überlegene Vorhersagegenauigkeit und theoretische Optimalität zu erreichen.
Die Studie stellt einen Algorithmus vor, der die Support-Vector-Classification in nicht-euklidischen Räumen durch die Integration der Datenkovarianz mittels Cholesky-Zerlegung in das Optimierungsproblem verbessert und damit die Suboptimalität herkömmlicher KKT-Bedingungen sowie eine signifikant höhere Klassifikationsleistung im Vergleich zu traditionellen SVM-Ansätzen nachweist.