322 articles
Cet article propose un cadre de prognostique non supervisé permettant de prédire la durée de vie utile résiduelle des habitats spatiaux profonds en identifiant simultanément des modes de défaillance inconnus et en sélectionnant les capteurs pertinents à partir de données non étiquetées.
Cet article propose une méthode de rééquilibrage de l'importance des caractéristiques (FIR) qui améliore la fiabilité des indices de validité de clustering dans des mélanges gaussiens bruyants en atténuant l'influence des caractéristiques non pertinentes, renforçant ainsi la corrélation avec la vérité terrain même en présence de données de haute dimension.
Cet article propose une critique conséquentialiste des méthodes d'évaluation binaire en machine learning, démontrant par une revue empirique et un nouveau cadre théorique que les règles de score appropriées comme le score Brier sont supérieures aux métriques à seuil fixe, tout en fournissant l'outil logiciel `briertools` et une variante tronquée pour faciliter leur adoption pratique.
Cet article propose deux nouveaux algorithmes d'apprentissage par renforcement sans modèle, Q-EarlySettled-LowCost et FedQ-EarlySettled-LowCost, qui réduisent simultanément les coûts d'initialisation, de commutation de politique et de communication tout en garantissant des regrets quasi-optimaux pour l'apprentissage par renforcement en agent unique et fédéré.
Cet article présente le modèle MIC, une approche basée sur des processus ponctuels de Hawkes multidimensionnels en mélange, qui permet de modéliser conjointement les interactions entre les utilisateurs et les cascades d'information pour mieux comprendre la dynamique des réseaux sociaux et surpasser les méthodes existantes.
Cet article établit les premières garanties de convergence globale linéaire pour une variante de la méthode des moindres carrés itérativement pondérés (IRLS) avec régularisation dynamique, prouvant sa capacité à retrouver un sous-espace sous-jacent à partir de n'importe quelle initialisation dans le cadre de la récupération robuste de sous-espaces et de l'estimation de sous-espaces affines.
Cet article propose et compare des méthodes de quadrature à points répulsifs pour le calcul de la distance de Wasserstein tranchée sur la sphère, concluant que l'estimateur UnifOrtho est optimal en grande dimension tandis que les méthodes quasi-Monte Carlo sont préférables en faible dimension.
Cet article propose AffPCL, un cadre d'apprentissage collaboratif personnalisé qui réduit la complexité d'échantillonnage grâce à des mécanismes de correction de biais et d'importance, permettant une accélération adaptative basée sur l'affinité entre agents sans nécessiter de connaissances préalables sur leur hétérogénéité.
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 cadre robuste pour l'optimisation d'assortiment basé sur des données observationnelles, qui maximise le revenu attendu dans le pire des cas face aux décalages de préférences des clients tout en établissant des garanties théoriques d'efficacité statistique via une nouvelle notion de « couverture robuste au niveau des articles ».
Cet article établit que, pour les processus de décision markoviens robustes non rectangulaires à récompense moyenne, toute politique à regret sous-linéaire est optimale et admet une représentation minimax, tout en proposant un cadre de valeur transitoire et une politique étagée garantissant des performances à court terme constantes.
Cette étude propose un cadre basé sur les réseaux de neurones informés par la physique (PINN) permettant une estimation robuste des paramètres biophysiques et la reconstruction des états cachés dans des modèles neuronaux multiscales, surpassant les méthodes traditionnelles face aux non-linéarités et aux données partielles.
Cet article propose une théorie et une architecture canonique pour les modèles d'espace d'état 2D équivariants aux permutations, introduisant le modèle VI 2D Mamba qui élimine les dépendances séquentielles artificielles entre les variables pour atteindre des performances de pointe dans l'analyse de séries temporelles multivariées.
Cet article démontre qu'aucune procédure de vérification de l'alignement des IA ne peut simultanément garantir la justesse, la généralité et la faisabilité computationnelle, établissant ainsi une trilemme fondamentale qui définit les limites théoriques de la certification formelle de la sécurité des systèmes d'intelligence artificielle.
Le système de compression sans perte Midicoth améliore l'estimation des probabilités dans les modèles statistiques adaptatifs en appliquant une couche de débruitage par micro-diffusion qui corrige les biais de lissage des a priori via une hiérarchie de décisions binaires en arbre binaire.
Cet article propose un cadre d'apprentissage par renforcement méta multi-niveaux intégrant un curriculum basé sur des compétences, qui comprime efficacement les processus de décision markoviens en hiérarchisant les politiques pour réduire la stochasticité, accélérer la convergence et faciliter le transfert de compétences entre différents problèmes et niveaux de complexité.
Cet article présente le Champs de Transition Markovien Temporel (TMTF), une extension du MTF qui partitionne les séries temporelles en segments contigus pour capturer les dynamiques de régime changeant via des matrices de transition locales, offrant ainsi une représentation image préservant l'ordre temporel et adaptée aux réseaux de neurones convolutifs.
Cet article propose une ablation complète de neuf familles de bornes pour la prédiction sélective et introduit le « Transfer-Informed Betting », une méthode novatrice qui améliore la quantification de l'incertitude en contextes de données limitées en warm-startant le processus de richesse WSR avec le profil de risque d'un domaine source, surpassant ainsi les méthodes existantes sur plusieurs benchmarks.
Cet article propose un cadre géométrique expliquant comment le biais des fonctionnelles du postérieur en inférence variationnelle est déterminé par la composante orthogonale à l'espace tangent de la famille variationnelle, révélant ainsi pourquoi les approximations à champ moyen déforment systématiquement les dépendances entre blocs de paramètres.
Cet article propose ULFS-KDPE, un estimateur de plug-in débiaisé basé sur un modèle défavorable universel dans un espace de Hilbert à noyau, qui permet d'estimer efficacement des paramètres différentiables dans des modèles non paramétriques sans nécessiter le calcul explicite des fonctions d'influence efficaces.