297 Arbeiten
Die vorgestellte Arbeit stellt ResNMTF vor, einen neuartigen Multi-View-Biclustering-Ansatz auf Basis der nicht-negativen Matrix-Tri-Faktorisierung, der überlappende und nicht-exhaustive Bicluster ohne Vorwissen zur Anzahl identifiziert und durch die Einführung des Bissilhouetten-Scores eine neue Metrik zur Bewertung und Hyperparameter-Optimierung bietet.
Die Studie entwickelt semiparametrisch effiziente Schätzer für die Behandlungswirkung in multizentrischen randomisierten Studien, die Cluster-Effekte berücksichtigen, um die Verzerrungen und Ineffizienzen zu vermeiden, die durch das Ignorieren der Zentrumsabhängigkeit bei herkömmlichen Methoden entstehen.
Diese Arbeit stellt ein nichtparametrisches gewichtetes Random Dot Product Graph-Modell (WRDPG) vor, das durch die Zuordnung latenter Positionen zu Knoten die Verteilung von Kantengewichten über deren Momente beschreibt, um so zwischen Verteilungen mit gleichem Mittelwert zu unterscheiden, und liefert konsistente Schätzer sowie einen generativen Rahmen für die Simulation solcher Netzwerke.
Diese Arbeit leitet unter neuen Annahmen zur Kontrolle der Lipschitz-Konstante einen verbesserten Konvergenzraten für den Wasserstein-Abstand bei Flow Matching ab, der insbesondere hochdimensionale, nicht-log-konkave Verteilungen umfasst.
Diese Studie stellt einen Rahmen zur Unterscheidung und Berechnung von Betriebs- und Endkapazität multimodaler Seehäfen vor, der am Beispiel des Hafens von Houston zeigt, dass Flüssiggutterminals unter stabilen Bedingungen die Hauptengpässe darstellen, während nach Störungen die Pilotenverfügbarkeit zum limitierenden Faktor wird.
Diese Arbeit untersucht die Existenz und Berechnung von Busemann-Funktionen im Wasserstein-Raum, leitet geschlossene Formeln für eindimensionale Verteilungen und Gaußsche Maße her und nutzt diese Ergebnisse zur Entwicklung effizienter Sliced-Wasserstein-Methoden für Anwendungen wie Transferlernen.
Dieses Paper führt das Konzept des „refereed learning" ein, bei dem ein Lernalgorithmus zwei konkurrierende Beweiser nutzt, um mit minimalem Zugriff auf eine Ground-Truth-Funktion und geringem Kommunikationsaufwand die überlegene von zwei Black-Box-Modellen zu identifizieren, wobei die Effizienz durch untere Schranken als optimal nachgewiesen wird.
Diese Arbeit stellt eine einheitliche bayesianische Theorie vor, die In-Context-Learning und Aktivierungssteuerung als Mechanismen beschreibt, die das Verhalten von Sprachmodellen durch die Veränderung latenter Konzeptglaubenswerte steuern, wobei ersteres als Evidenzakkumulation und letzteres als Prior-Anpassung interpretiert wird.
Die Autoren stellen drei skalierbare Algorithmen auf Basis von Variational Bayes und Expectation Propagation vor, um die posterior-Verteilung in kumulativen Probit-Modellen für ordinale Daten effizient und präzise zu approximieren, und demonstrieren deren Überlegenheit gegenüber herkömmlichen MCMC-Methoden sowohl in der Rechengeschwindigkeit als auch in der Genauigkeit, unter anderem anhand einer Fallstudie zur Analyse krimineller Netzwerke.
Diese Studie entwickelt einen Ansatz zur Schätzung von Wahrscheinlichkeitsverteilungen für zukünftige Konflikte mittels baumbasierter Ensemble-Methoden, der die Unsicherheit traditioneller Punktvorhersagen überwindet und durch regionale Modelle sowie Simulationsexperimente robuste, ein Jahr im Voraus treffende Prognosen ermöglicht.
Die Arbeit löst das Paradoxon der verbundenen, aber isolierten Minima in überparametrisierten neuronalen Netzen auf, indem sie nachweist, dass entropische Barrieren, die durch Krümmungsvariationen und Optimierungsrauschen entstehen, die Dynamik effektiv zu den Endpunkten zurücklenken, selbst wenn der Verlustpfad flach bleibt.
Diese Studie führt eine systematische Bewertung von GPT- und Gemini-Modellen durch und zeigt, dass diese Large Language Models durch gezieltes Prompting effektiv optimale zweistufige fraktionale Faktoriendesigns mit bis zu acht Faktoren und 8, 16 oder 32 Versuchen konstruieren können.
Die Autoren schlagen einen bayesschen Zwei-Stufen-Ansatz vor, der die Unsicherheit der Subgruppenidentifikation in die Schätzung von Behandlungseffekten integriert, um in randomisierten kontrollierten Studien besser kalibrierte Konfidenzintervalle für personalisierte Medizin zu erhalten.
Die Arbeit bestimmt nahezu scharfe informationstheoretische Schwellenwerte für die Detektierbarkeit latenter Geometrie in bipartiten zufälligen geometrischen Graphen unter verrauschten Beobachtungen und zeigt mittels eines neuartigen Fourier-Analyse-Rahmens, dass das Problem bei bekannter Maske deutlich einfacher ist als bei versteckter Maske, wodurch optimale Schwellenwerte identifiziert und computergestützte-statistische Lücken ausgeschlossen werden.
Diese Arbeit schließt die Lücke zwischen der Gaußschen Approximation und dem Konzentrationsgrenzwert, indem sie eine explizite asymptotische Entwicklung für hochdimensionale Laplace-Integrale herleitet, die quantitative Restgliedabschätzungen liefert und sowohl analytische Approximationen von Erwartungswerten als auch effiziente Stichprobenverfahren mittels polynomialer Transporte ermöglicht.
Die Studie stellt eine neue Methode für parallele Bayes'sche Optimierung namens „Randomized Kriging Believer" vor, die eine einfache Implementierung und geringe Rechenkomplexität mit theoretischen Regret-Garantien verbindet und sich in Experimenten als effektiv erweist.
Diese Arbeit beweist, dass eine einzige Iteration der Lin-Lu-Yau-Ricci-Krümmungsgewichtung im balancierten Zwei-Block-Stochastic-Block-Modell die Community-Recovery durch eine Vergrößerung des spektralen Eigenlückens verbessert und dass eine endliche Folge solcher Iterationen deterministisch verfolgt werden kann.
Die Arbeit zeigt, dass herkömmliche zustandsbehaftete Zufallszahlengeneratoren in agentenbasierten Modellen zu kausal inkonsistenten Gegenfaktoralvergleichen führen, wenn Eingriffe den Ausführungsfluss ändern, und schlägt als Lösung die Kombination von zählerbasierten Generatoren mit Ereignis-IDs vor, um eine kausal gültige Stochastik sicherzustellen.
Diese Arbeit stellt einen partitionsbasierten Rahmen für die funktionale Ridge-Regression vor, der durch eine differenzierte Bestrafung von dominanten und schwächeren funktionellen Effekten Multikollinearität und Überanpassung in hochdimensionalen Modellen adressiert, wobei die Konsistenz der Schätzer theoretisch bewiesen und ihre überlegene Vorhersageleistung sowie Interpretierbarkeit durch Simulationen und eine Anwendung auf kanadische Wetterdaten empirisch untermauert wird.
Die Arbeit stellt Co-Diffusion vor, ein neuartiges, affinitätsbewusstes Zwei-Phasen-Framework auf Basis latenter Diffusion, das die Generalisierungsfähigkeit bei der Vorhersage von Arzneimittel-Ziel-Affinitäten, insbesondere in kalten Start-Szenarien mit neuen Molekülgerüsten und Proteinfamilien, erheblich verbessert.