333 articles
Cet article propose la méthode SPPCSO, une approche d'estimation pénalisée adaptative qui intègre la régression en composantes principales et la régularisation pour surmonter les défis de la multicolinéarité et du bruit élevé dans les données de haute dimension, offrant ainsi une sélection de variables stable et précise.
Ce papier présente les Environnements de Surveillance Synthétiques (SME), une suite infinie de tâches de contrôle continu aux politiques optimales connues, conçue pour permettre une analyse scientifique rigoureuse et transparente des algorithmes d'apprentissage par renforcement en isolant l'impact de facteurs environnementaux spécifiques sur leurs performances.
Cet article propose le BAEN-SVM, un modèle de classification binaire robuste basé sur une nouvelle fonction de perte asymétrique et bornée, qui surpasse les SVM classiques dans les environnements bruyants tout en offrant des garanties théoriques de robustesse et de consistance.
Cet article présente un cadre de calcul certifié et précis des normes d'espaces fonctionnelles (telles que et Sobolev) pour les réseaux de neurones profonds, en combinant l'arithmétique par intervalles, le raffinement adaptatif et l'agrégation par quadrature afin de fournir des bornes déterministes garanties sur les résidus des PINN.
Cet article présente DistBART, une approche bayésienne non paramétrique pour la régression de distributions qui modélise la fonction de régression à l'aide d'ensembles d'arbres de décision (BART), offrant ainsi une méthode évolutive et théoriquement fondée pour prédire des réponses scalaires à partir de prédicteurs de distributions.
Ce papier présente une approche de mise en cache sémantique qui réduit considérablement le temps d'exécution de l'apprentissage de concepts en Description Logique en évitant les appels redondants de récupération d'instances, tout en restant efficace pour les raisonneurs symboliques et neuro-symboliques.
Cet article propose un cadre de réfutation agnostique aux représentations permettant d'estimer des bornes théoriques et pratiques sur le biais de confusion induit par la réduction de dimension dans l'estimation de l'effet causal moyen conditionnel (CATE).
L'article présente Onflow, un algorithme d'allocation de portefeuille sans modèle et en ligne basé sur l'apprentissage par renforcement et les flots de gradient, qui optimise les rendements logarithmiques tout en étant robuste aux coûts de transaction et aux risques de modèle.
Cet article propose d'utiliser le Réseau de Neurones à Unités Linéaires Rectifiées (ReLU) et la Matrice d'Information des Données (DIM) pour révéler une structure de feuilletage singulier sur l'espace des données, démontrant que les points singuliers forment un ensemble de mesure nulle et que cette approche permet de mesurer les distances entre jeux de données pour le transfert de connaissances.
Cet article démontre que les réseaux bayésiens fidèles constituent un ensemble ouvert et dense (donc « typique ») dans diverses classes paramétriques et non paramétriques, y compris celles avec des variables latentes, garantissant ainsi la consistance des algorithmes de découverte causale comme PC et FCI sur un ensemble de paramètres de mesure de Lebesgue pleine.
Cet article propose un nouvel apprentissage orthogonal, l'AU-learner, qui quantifie l'incertitude aléatoire de l'effet de traitement en établissant des bornes précises sur sa distribution conditionnelle via une identification partielle, comblant ainsi un vide important dans l'apprentissage automatique causal.
Cet article propose FINN, un réseau de neurones auto-supervisé qui intègre la théorie financière via une réplication dynamique pour apprendre l'opérateur de tarification des options, garantissant ainsi la cohérence économique, la précision des prix et des grecques, et une adaptabilité supérieure aux modèles paramétriques traditionnels, même sur des actifs sans marché d'options.
Cet article propose deux algorithmes, PE-GP-TS et HP-GP-TS, basés sur l'échantillonnage de Thompson pour les processus gaussiens, qui sélectionnent automatiquement les priors tout en minimisant le regret dans des problèmes d'optimisation de fonctions inconnues, avec des garanties théoriques et une validation expérimentale.
Cet article propose une extension non paramétrique du modèle de graphes à produit scalaire aléatoire (RDPG) aux graphes pondérés, permettant de distinguer des distributions de poids partageant la même moyenne mais différant par leurs moments d'ordre supérieur, tout en établissant les garanties statistiques de l'estimation des positions latentes et en fournissant un cadre pour la génération de tels graphes.
Cet article améliore la compréhension théorique du Flow Matching en établissant des garanties de Lipschitz qui permettent de dériver un taux de convergence optimisé pour la distance de Wasserstein 1, applicable à des distributions non bornées sans hypothèse de log-concavité.
Cet article établit l'existence et des expressions fermées des fonctions de Busemann dans l'espace de Wasserstein pour les distributions unidimensionnelles et les mesures gaussiennes, permettant ainsi de définir de nouvelles distances Sliced-Wasserstein appliquées avec succès à des problèmes d'apprentissage par transfert.
Cet article introduit le cadre de l'apprentissage référé, où un apprenant utilise deux prouveurs concurrents pour sélectionner le meilleur modèle parmi deux boîtes noires avec une précision quasi optimale en n'interrogeant la vérité terrain qu'une seule fois, surpassant ainsi considérablement les méthodes traditionnelles à coût comparable.
Cet article propose un cadre bayésien unifié expliquant que l'apprentissage en contexte et le pilotage par activation contrôlent le comportement des grands modèles de langage en modifiant leurs croyances sur des concepts latents, respectivement par accumulation de preuves et par ajustement des priors.
Cet article propose trois algorithmes évolutifs basés sur l'inférence variationnelle et l'expectation propagation pour approximer efficacement les distributions a posteriori dans les modèles de régression probit cumulatif, surpassant les méthodes MCMC en termes de performance computationnelle et de précision sur de grands jeux de données.
Ce papier résout le paradoxe entre la connectivité des bassins d'attraction et la localisation des solutions dans les réseaux de neurones surparamétrés en démontrant que des barrières entropiques, générées par l'interaction entre les variations de courbure et le bruit de l'optimisation, confinent dynamiquement les trajectoires vers les minima malgré des chemins de perte faible.