38 articles
Cet article présente des algorithmes parallèles efficaces pour simuler des chaînes de Markov de Metropolis sans gradient, permettant d'accélérer la convergence d'un facteur pour les distributions log-concaves grâce à l'utilisation de cartes de Picard.
Ce papier présente la modélisation générative bayésienne (BGM), un cadre unifié alimenté par l'IA qui permet d'effectuer des inférences conditionnelles sur n'importe quelle partition de variables avec quantification rigoureuse de l'incertitude, sans nécessiter de réentraînement du modèle.
Cet article propose un échantillonneur basé sur des processus ponctuels temporels modélisés comme des files d'attente à serveurs infinis, qui converge vers n'importe quelle distribution de comptage multivariée à support décroissant et surpasse systématiquement les processus de naissance-mort ainsi que fréquemment les processus de Zanella en termes d'efficacité d'échantillonnage.
Ce papier propose BNEM, un échantillonneur Boltzmann innovant basé sur l'apprentissage de l'énergie de données bruitées via un processus de diffusion et une technique de bootstrap, qui surpasse les méthodes existantes en termes de performance et de robustesse pour générer des échantillons IID.
Ce papier présente un nouvel algorithme à complexité linéaire permettant de calculer rapidement une courbe complète de bornes post hoc pour la proportion de fausses découvertes le long d'un chemin de sélection croissant, en exploitant la structure en forêt d'une famille de référence.
Ce papier présente StablePCA, un cadre d'apprentissage robuste aux distributions pour l'extraction de représentations partagées à partir de données multi-sources, en surmontant les défis d'optimisation non convexe grâce à une relaxation convexe résolue par un algorithme Mirror-Prox avec des garanties de convergence et de précision.
En appliquant des méthodes de croissance et de renormalisation géométriques à des réseaux fonctionnels du noyau suprachiasmatique de souris, cette étude démontre que la robustesse des rythmes circadiens à différentes échelles dépend principalement de la densité de connectivité moyenne plutôt que de la taille du réseau ou de son auto-similarité.
Cet article établit l'identification unique des coefficients linéaires et non linéaires d'une équation de Helmholtz semi-linéaire à partir de mesures frontalières via une approche de linéarisation d'ordre supérieur, tout en proposant un cadre numérique bayésien pour la reconstruction et la quantification de l'incertitude.
Cet article établit que les algorithmes de Metropolis-Hastings ne sont pas géométriquement ergodiques lorsque la proposition ne l'est pas et que le taux d'acceptation tend vers l'unité, tout en démontrant que les marches aléatoires et guidées présentent des vitesses de convergence distinctes selon que la distribution cible possède des queues polynomiales ou un potentiel strictement convexe.
Cet article propose TV-Select, un cadre unifié basé sur une pénalisation double (Lasso de groupe et lissage) pour identifier simultanément les variables pertinentes et déterminer si leurs effets dans les modèles longitudinaux sont constants ou variables dans le temps, surmontant ainsi les limites des modèles linéaires mixtes et des modèles à coefficients variables.
Cet article rapporte la première réalisation d'une phase topologique fractionnaire, de bandes plates et d'états de bord robustes sur des graphes cycliques finis via une marche quantique à pas décalé utilisant une seule pièce, démontrant des invariants topologiques fractionnaires et une correspondance bulk-boundary inhabituelle dans un système quantique synthétique non interactif et entièrement unitaire.
Ce papier propose une version accélérée de l'algorithme SVGD-EM, baptisée Momentum SVGD-EM, qui intègre l'accélération de Nesterov dans les mises à jour des paramètres et des mesures de probabilité pour améliorer la convergence de l'estimation du maximum de vraisemblance marginale.
Cet article propose deux critères robustes et un algorithme d'optimisation pour apprendre des règles de traitement optimales dans le contexte de données de survie censurées, en visant à maximiser le temps de survie tronqué et les probabilités de survie tamponnées, tout en validant ces méthodes par des simulations et une application sur des données cliniques du sida.
Ce papier propose CLIQUE, une nouvelle méthode agnostique au modèle pour calculer l'importance locale des variables, qui améliore les techniques existantes comme LIME et SHAP en capturant les dépendances locales et les interactions complexes tout en s'adaptant nativement aux problèmes de classification multi-classes.
Cet article propose NETCROP, une procédure de validation croisée efficace et précise pour les grands réseaux, qui divise les données en sous-réseaux chevauchants afin de faciliter la sélection de modèles et le réglage des paramètres.
Cet article propose un algorithme adaptatif qui équilibre optimalement les ressources entre l'estimation des statistiques d'oracle et la construction de l'estimateur multi-fidélité, garantissant ainsi une erreur quadratique moyenne comparable à celle de l'estimateur optimal théorique tout en réduisant les coûts computationnels.
Cet article propose une méthode d'estimation du rapport de densités pour la comparaison de deux échantillons, basée sur des modèles d'arbres additifs optimisés via une nouvelle fonction de perte appelée « balancing loss », qui permet à la fois une inférence bayésienne pour la quantification de l'incertitude et une application efficace à l'évaluation de modèles génératifs sur des données microbiennes.
Cet article propose une méthode rapide et garantie pour compléter des tenseurs de train en utilisant uniquement des opérations d'algèbre linéaire standard, exploitant un schéma d'observation où des fibres entières le long d'un seul mode sont soit totalement observées, soit totalement manquantes.
Cet article propose des méthodes d'optimisation pour sélectionner des partitions à deux blocs afin d'accélérer le mélange des chaînes de Markov finies en minimisant la divergence de Kullback-Leibler et la distance de Frobenius, tout en établissant des liens théoriques avec des constantes fonctionnelles et en développant des algorithmes d'approximation efficaces pour résoudre ce problème combinatoire.
Cet article propose la régression Gimbal, un cadre de régression locale déterministe et géométriquement conscient qui améliore la stabilité numérique et la transparence diagnostique face à l'hétérogénéité spatiale et aux problèmes de conditionnement.