329 articles
Cet article établit des garanties théoriques en échantillonnage fini pour une méthode d'apprentissage de représentations d'états pilotée par le coût, permettant de résoudre des problèmes de contrôle linéaire quadratique gaussien (LQG) à horizon fini sans prédire les observations ou les actions.
Cet article démontre que, pour estimer des fonctionnels doublement robustes avec des taux de convergence optimaux, il est nécessaire de combiner judicieusement des stratégies de division de l'échantillon et des réglages de lissage (sous- ou sur-lissage) des fonctions de nuisance, permettant ainsi aux estimateurs par plug-in et aux estimateurs corrigés du premier ordre d'atteindre les taux minimax sur toutes les classes de régularité de Hölder.
Cet article propose une nouvelle méthode d'apprentissage statistique pour les enchères multi-objets utilisant des intervalles de crédibilité afin de réduire les coûts d'implémentation tout en garantissant, avec une forte probabilité, l'équité, la compatibilité incitative et la rationalité individuelle.
Ce papier présente OTAD, un nouveau modèle de défense robuste qui combine l'entraînement de réseaux de neurones avec une régularisation par transport optimal et l'interpolation via un problème d'intégration convexe pour garantir une continuité de Lipschitz locale tout en maintenant une grande expressivité.
Cet article établit les fondements statistiques de l'estimateur de vraisemblance partielle maximale par mini-lots (mb-MPLE) pour les modèles de Cox profonds, démontrant sa consistance et son efficacité asymptotique tout en fournissant des directives pratiques pour l'optimisation par descente de gradient stochastique.
Cet article propose une méthode d'échantillonnage par importance recuit (AIS) couplée à une reparamétrisation efficace pour surmonter les limitations des modèles latents à processus gaussiens (GPLVM) dans les espaces de grande dimension, permettant ainsi d'obtenir des bornes variationnelles plus serrées et une convergence plus robuste que les méthodes actuelles.
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.
Les auteurs proposent un cadre unifié d'apprentissage par transfert pour le clustering, nommé ATC, qui exploite automatiquement les similarités entre un ensemble de données principal et un ensemble auxiliaire malgré des structures latentes différentes, tout en garantissant l'optimalité théorique et une efficacité empirique validée sur divers modèles statistiques.
Cet article établit des bornes d'erreur pour le risque excédentaire dans les problèmes de classification avec des étiquettes bruitées en utilisant des réseaux de neurones profonds, en décomposant l'erreur en composantes statistiques et d'approximation tout en tenant compte des dépendances temporelles et de la structure des données sur des variétés de basse dimension.
Cet article présente A3RL, une méthode d'apprentissage par renforcement en ligne qui intègre des données hors ligne grâce à une stratégie d'échantillonnage active et consciente de la confiance, surmontant ainsi les défis de l'oubli catastrophique et de l'efficacité des échantillons pour surpasser les techniques existantes.
Cet article présente une méthode d'optimisation bayésienne stochastique basée sur des régions de confiance et des modèles de processus gaussiens qui intègre une réplication adaptative pour améliorer significativement la précision et l'efficacité computationnelle dans des environnements à forte variance.
Cet article propose un cadre d'optimisation de politique hors ligne individualisé pour des processus de décision markoviens hétérogènes, introduisant un algorithme nommé P4L qui garantit une convergence rapide du regret grâce à l'estimation de fonctions Q individuelles via des variables latentes, tout en surpassant les méthodes existantes sur des données simulées et réelles.
Cet article propose la première approche théoriquement garantie pour l'apprentissage axé sur la décision en ligne dans des environnements dynamiques, en régularisant la fonction objectif et en utilisant des techniques de perturbation pour surmonter l'absence de gradients et la non-convexité, tout en établissant des bornes de regret et en validant l'efficacité de l'algorithme sur un problème de sac à dos.
Cette étude démontre que les méthodes d'imputation par équations chaînées (MICE) constituent une alternative efficace et plus simple à mettre en œuvre que les réseaux antagonistes génératifs et les autoencodeurs pour la génération de données synthétiques en tarification actuarielle, tout en préservant fidèlement les distributions et les relations multivariées nécessaires à l'entraînement de modèles GLM.
Cet article propose une classe de méthodes F²SA- utilisant des différences finies d'ordre pour l'optimisation stochastique bi-niveau, améliorant la complexité de recherche d'un point stationnaire à pour des problèmes hautement lisses et démontrant que cette borne est presque optimale.
Cet article présente une méthode combinant l'apprentissage profond et les conductances d'entrée dynamiques (DIC) pour reconstruire rapidement et efficacement des populations dégénérées de modèles de neurones à base de conductance à partir uniquement des temps de décharge, en surmontant le défi de l'inférence des paramètres biophysiques malgré la variabilité des canaux ioniques.
Cet article présente la première borne PAC-Bayes entièrement empirique pour les chaînes de Markov, obtenue en dérivant une estimation empirique du pseudo-écart spectral pour les espaces d'états finis.
Ce papier présente les GDR-learners, une nouvelle famille d'apprentissages génératifs orthogonaux et doublement robustes qui, en s'inspirant de modèles d'état de l'art comme les flux normalisants conditionnels et les modèles de diffusion, permettent d'estimer de manière asymptotiquement optimale les distributions des résultats potentiels à partir de données observationnelles.
Cet article présente une nouvelle méthode de régularisation adaptative à l'overlap (OAR) qui améliore l'estimation de l'effet moyen conditionnel du traitement (CATE) dans les régions à faible recouvrement en ajustant la régularisation des modèles selon les poids d'overlap, tout en préservant l'orthogonalité de Neyman pour des inférences robustes.
Cet article propose le DRQ-learner, un nouvel apprentissage méta pour l'estimation des résultats individuels dans les processus de décision markoviens, qui garantit la double robustesse, l'orthogonalité de Neyman et l'efficacité quasi-oracle tout en étant applicable à divers espaces d'états et modèles d'apprentissage automatique.