333 Arbeiten
Diese Arbeit stellt eine neue Few-Shot-Bildfusion vor, die auf dem Konzept unvollständiger Priors und dem Granular-Ball-Pixel-Computing-Algorithmus (GBPC) basiert, um eine adaptive, generalisierbare und dateneffiziente Lernmethode zu ermöglichen, die auch mit wenigen Trainingspaaren überlegene Ergebnisse liefert.
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Das Paper stellt Panda vor, ein vortrainiertes Modell für chaotische Dynamiken, das auf synthetischen Daten trainiert wurde und durch Null-Shot-Fähigkeiten, die Vorhersage realer experimenteller Zeitreihen sowie die spontane Generalisierung von gewöhnlichen auf partielle Differentialgleichungen ohne Nachtraining überzeugt.
Diese Arbeit stellt additive Baummodelle mit einer neuartigen „Balancing-Loss"-Funktion vor, die eine effiziente Schätzung von Dichteverhältnissen mittels etablierter Algorithmen wie Gradient Boosting sowie eine Bayessche Inferenz zur Unsicherheitsquantifizierung ermöglicht, was insbesondere bei hochdimensionalen und datenlimitierten Verteilungen sowie zur Bewertung generativer Modelle vorteilhaft ist.
Dieser Artikel stellt eine schnelle Methode zur Tensor-Train-Vervollständigung vor, die unter Verwendung von Standard-Linearalgebra-Operationen und deterministischen Bedingungen ausschließlich auf Beobachtungen ganzer Fasern entlang eines einzelnen Modus basiert, um fehlende Einträge in Mehrweg-Datentensoren effizient wiederherzustellen.
Diese Arbeit stellt neue absolute Cluster-Indizes vor, die auf einer Kompaktheitsfunktion und einer Nachbarschaftsmenge basieren, um die Kompaktheit und Trennbarkeit von Clustern sowie die wahre Anzahl der Cluster in synthetischen und realen Datensätzen zu bestimmen.
Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.
Die Studie zeigt, dass Transformer-Modelle in kontrollierten „Bayesian Wind Tunnels" durch eine spezifische geometrische Mechanik, bei der Attention-Module als Routing und Feed-Forward-Netze als Posterior-Updates fungieren, exakte Bayes'sche Inferenz durchführen, was ihre Überlegenheit gegenüber flachen Architekturen erklärt.
Diese Arbeit zeigt, dass die Gradientendynamik des Cross-Entropy-Trainings in Transformer-Aufmerksamkeitsköpfen durch einen gekoppelten Spezialisationsmechanismus, der einem Zwei-Zeitskalen-EM-Verfahren ähnelt, die interne Geometrie so formt, dass Bayessche Inferenzmanifolde entstehen, welche probabilisches Schlussfolgern im Kontext ermöglichen.
Die Autoren stellen eine neue Methode vor, die auf stochastischen Interpolanten und Langevin-Samplern basiert, um effizient aus unnormalisierten Boltzmann-Verteilungen zu sampeln und dabei sowohl die Geschwindigkeitsfelder der zugehörigen ODEs zu schätzen als auch Konvergenzgarantien für multimodale Verteilungen und Bayes'sche Inferenz aufzuzeigen.
Diese Arbeit entwickelt und analysiert Schätzer für die funktionale lineare Regression, die auf der Transfer-Learning-Methode der Kontrollvariablen basieren, um datenschutzkonforme Lernprozesse zu ermöglichen, die theoretische Verbindung zu Offset-Transfer-Learning herzustellen und die Konvergenzraten unter Berücksichtigung von Diskretisierungsfehlern zu bestimmen.
Diese Arbeit analysiert Bayesianische Inverse Probleme mit generativen Priors, indem sie quantitative Fehlerabschätzungen für den Posterior herleitet, die sich aus der Approximationsgüte des Priors im Wasserstein-Abstand ableiten lassen, und diese Ergebnisse durch numerische Experimente sowie ein inverses Problem mit elliptischer PDE validiert.
Das Paper stellt HaKAN vor, ein leichtgewichtiges und interpretierbares Modell für die multivariate Zeitreihenvorhersage, das auf Kolmogorov-Arnold-Netzwerken mit Hahn-Polynomen als lernbaren Aktivierungsfunktionen basiert und in Experimenten neuartige State-of-the-Art-Methoden übertrifft.
Die Arbeit stellt singuläre Bayes'sche neuronale Netze vor, die durch eine Low-Rank-Parametrisierung der Gewichte die Parameteranzahl drastisch reduzieren, gleichzeitig strukturierte Korrelationen erfassen und in Bezug auf Vorhersagegenauigkeit, Kalibrierung und Out-of-Distribution-Erkennung mit Deep Ensembles konkurrieren.
Diese Arbeit analysiert die durch Classifier-free Guidance verursachten Verzerrungen in hochdimensionalen Diffusionsmodellen als Phasenübergang und schlägt einen theoretisch fundierten Guidance-Verlauf mit einem Fenster negativer Guidance vor, um den Diversitätsverlust zu mindern.
Die Arbeit beweist die Universalität von asymmetrischen rank-one Spiked-Tensor-Modellen, indem sie zeigt, dass die asymptotischen spektralen Eigenschaften und statistischen Grenzen des Maximum-Likelihood-Schätzers auch bei nicht-gaußschen Rauschverteilungen mit endlicher vierter Moment identisch mit dem klassischen gaußschen Fall sind.
Diese Arbeit stellt ein einheitliches Framework für die Online-Erkennung von LLM-Wasserzeichen auf Basis von E-Prozessen vor, das beliebige sequentielle Tests mit unabhängigen Pivot-Statistiken ermöglicht, anytime-valid Garantien bietet und durch empirisch adaptive Methoden eine verbesserte Detektionsleistung erreicht.
Die Arbeit stellt TS_Adam vor, eine leichte Variante des Adam-Optimierers, die durch das Entfernen der zweiten Ordnungsbias-Korrektur die Anpassungsfähigkeit an nicht-stationäre Zeitreihendaten mit Verteilungsdrift verbessert und dabei die Leistung bei Vorhersageaufgaben signifikant steigert.
Diese Arbeit entwickelt eine systematische Stabilitätstheorie für Banditalgorithmen auf Basis des stochastischen spiegelnden Abstiegs, führt regularisierte EXP3-Varianten ein, die sowohl für gültige statistische Inferenz als auch für minimax-optimales Lernen sorgen, und zeigt deren Robustheit gegenüber adversarischen Korruptionen.
Die Arbeit stellt SDSR vor, einen skalierbaren, auf spektraler Graphentheorie basierenden Divide-and-Conquer-Algorithmus zur Rekonstruktion von Speziesbäumen, der die Rechenzeit im Vergleich zu herkömmlichen Methoden um das Zehnfache reduziert, ohne dabei die Genauigkeit der phylogenetischen Analyse zu beeinträchtigen.