335 articles
Cet article propose une méthode d'optimisation bayésienne parallèle appelée « Randomized Kriging Believer », qui combine une faible complexité computationnelle et une grande flexibilité pratique avec des garanties théoriques de regret bayésien pour l'optimisation de fonctions coûteuses évaluables en parallèle.
Cet article propose un cadre de régression ridge fonctionnelle basé sur une partition pour traiter la multicolinéarité et le surajustement dans les modèles linéaires fonctionnels de haute dimension, en décomposant les effets fonctionnels pour appliquer une pénalisation différentielle qui améliore la stabilité numérique et l'interprétabilité sans recourir à une sélection explicite de variables.
Ce papier présente Co-Diffusion, un cadre novateur à deux étapes basé sur la diffusion latente qui améliore la prédiction de l'affinité médicament-cible et la généralisation en régime de démarrage à froid en alignant les représentations et en régularisant le processus par un débruitage stochastique.
Ce papier démontre qu'une architecture de réseau de neurones à trois dimensions utilisant des fonctions d'activation ReLU augmentées en hauteur permet d'atteindre des taux d'approximation exponentiels améliorés pour les fonctions analytiques et une approximation quantitative non asymptotique d'ordre élevé pour les fonctions , offrant ainsi une voie théorique pour concevoir des réseaux plus économes en paramètres.
Cet article propose une approche de régression non paramétrique basée sur des réseaux de neurones profonds et le principe de l'entropie minimale de l'erreur pour des observations fortement dépendantes, démontrant que les estimateurs pénalisés et non pénalisés atteignent des taux de convergence minimax optimaux.
Ce papier définit formellement la capture algorithmique et démontre que les transformateurs infinis, bien que universellement expressifs, possèdent un biais inductif les limitant à l'apprentissage d'algorithmes de faible complexité au sein de la classe EPTHS, empêchant ainsi la généralisation à des tâches plus complexes.
Cet article propose l'utilisation de cartes de transport diagnostiques pour recalibrer des distributions prédictives de base et fournir des diagnostics locaux en temps réel, améliorant ainsi la fiabilité des prévisions d'événements rares comme l'intensification rapide des cyclones tropicaux.
Ce papier propose RIE-Greedy, une stratégie de sélection d'actions purement gourmande qui exploite la stochasticité inhérente au processus d'ajustement des modèles régularisés pour induire une exploration efficace, offrant une alternative théoriquement équivalente à l'échantillonnage de Thompson et empiriquement supérieure aux méthodes de référence dans les environnements à grande échelle.
Cet article présente l'estimateur « outrigger » par régression polynomiale locale, une méthode adaptative qui modifie l'estimation standard en intégrant la fonction de score conditionnelle des erreurs pour atteindre l'optimalité minimax sur les classes de Hölder sans hypothèses restrictives sur la distribution des erreurs ou l'indépendance des covariables.
Cet article présente le cadre unifié wcPCA pour l'approximation de rang faible, qui garantit des performances optimales dans le pire des cas sur des domaines hétérogènes en étendant cette approche à d'autres objectifs et à la complétion de matrices, tout en démontrant son efficacité supérieure sur des données réelles.
Ce papier démontre que, contrairement aux modèles de diffusion, la dynamique de Langevin n'est pas robuste aux erreurs d'estimation de la fonction de score, produisant même pour des distributions simples en haute dimension des échantillons très éloignés de la distribution cible en distance de variation totale, quelle que soit la petitesse de l'erreur.
Cet article propose un estimateur doublement robuste corrigé par une méthode jackknife HAC pour assurer une inférence spatiale valide et des intervalles de confiance fiables dans des scénarios de données manquantes au hasard et de dépendance spatiale, où les méthodes traditionnelles échouent en raison de la corrélation induite par le cross-fitting.
Cet article propose un cadre théorique décomposant la multiplicité observationnelle dans les arbres de décision en deux composantes, le regret de feuille et le regret structurel, démontrant que ce dernier est le principal facteur de variabilité et qu'il peut être exploité pour améliorer la sécurité des prédictions via un mécanisme d'abstention.
Cet article propose un algorithme d'apprentissage par bandit social fondé sur l'énergie libre qui permet à un agent d'identifier et d'exploiter efficacement les compétences d'agents non experts et diversifiés sans connaissance de leurs récompenses, garantissant ainsi une convergence théorique vers la politique optimale et une amélioration significative des performances d'apprentissage individuel.
Cet article démontre que la politique Follow-the-Perturbed-Leader (FTPL) couplée à un échantillonnage géométrique conditionnel résout le problème des semi-bandes à -ensembles avec une complexité réduite et des garanties de regret optimales dans les deux régimes, adversaire et stochastique.
Cet article propose une analyse théorique de l'effondrement des modèles en génération de langage, démontrant qu'un adversaire de réutilisation des sorties passées limite fondamentalement l'apprentissage dans certains cadres théoriques tout en validant ou en mettant en échec les stratégies pratiques courantes comme le nettoyage des données et le filigrane.
Ce chapitre établit les fondements de l'apprentissage automatique quaternionien en présentant les statistiques augmentées, les modèles largement linéaires, le calcul quaternionique et l'estimation par erreur quadratique moyenne pour exploiter le potentiel des rotations 3D dans ce domaine émergent.
Cet article propose un nouveau cadre de test-then-pool pour la fusion de données d'essais cliniques, qui utilise le test d'équivalence et la divergence maximale de moyenne (MMD) pour emprunter des données de contrôle historiques tout en garantissant un contrôle rigoureux du taux d'erreur de type I et une puissance accrue par rapport aux méthodes standard.
Ce papier présente EnTransformer, un cadre de prévision génératif profond qui combine l'engression et les Transformers pour produire des prévisions probabilistes multivariées bien calibrées et cohérentes, surpassant les modèles de référence sur plusieurs benchmarks sans imposer d'hypothèses paramétriques restrictives.
Cet article propose l'Embedding Spectral Adjacency Local (LASE), une méthode qui révèle la structure localement de faible dimension des réseaux en surmontant les limites des hypothèses globales de l'ASE grâce à une décomposition spectrale pondérée, offrant ainsi de meilleures performances de reconstruction et de visualisation.