262 articles
Cet article propose une approche de validation croisée pénalisée pour la sélection de modèles dans les réseaux bipartis, offrant la première garantie de cohérence théorique et surpassant les méthodes traditionnelles tout en préservant l'asymétrie potentielle entre les deux ensembles de nœuds.
Cet article propose une procédure d'estimation pour les modèles non linéaires à effets mixtes utilisant des splines pénalisées et la différenciation automatique via Template Model Builder, offrant une meilleure performance inférentielle et une charge computationnelle réduite, comme démontré par une étude sur la croissance de la taille des nourrissons.
Cet article propose des approches bayésiennes dynamiques intégrant des données de contrôles historiques pour réduire la taille des groupes témoins dans les études de toxicologie préclinique à plusieurs bras, tout en maintenant un contrôle satisfaisant du taux d'erreur familiale et en protégeant contre les dérives potentielles.
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.
Ce papier propose CIM, un cadre à deux étapes qui combine l'inférence causale et l'optimisation de réseaux pour maximiser les résultats causaux à l'état stationnaire sous contraintes budgétaires, en offrant des garanties théoriques sur l'estimation des fonctions de réponse et le ratio d'approximation.
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.
Cet article propose une nouvelle méthode de test d'hypothèses séquentielles robuste pour les données longitudinales et groupées, qui élargit la gamme des hypothèses testables sans compromettre la robustesse des estimateurs, tout en fournissant une théorie asymptotique pour les matrices de covariance et en permettant l'application à des données incomplètes via l'imputation multiple.
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 propose une nouvelle borne de généralisation et un estimateur théorique pour les effets de traitement individuels dans des scénarios multi-traitements, introduisant une stratégie d'agrégation des traitements qui garantit une précision optimale et une évolutivité constante tout en évitant le réglage coûteux des hyperparamètres.
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 les plans d'échantillonnage équilibrés distributionnellement (DBD), une nouvelle méthode probabiliste qui maximise la représentativité de l'échantillon en minimisant la distance énergétique entre les distributions auxiliaires de l'échantillon et de la population, offrant ainsi une précision supérieure aux méthodes existantes pour les études coûteuses en écologie et en sciences environnementales.
Cet article propose une nouvelle approche de calibration bayésienne qui intègre le terme de discordance directement dans le simulateur via des processus gaussiens, offrant une alternative à la méthode de Kennedy et O'Hagan pour calibrer un modèle de dynamique de dislocations discrète à partir d'observations de dynamique moléculaire.
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.
Cet article établit une nouvelle analyse de stabilité moyenne pour la descente de gradient stochastique préconditionnée multipass, reliant la capacité de généralisation à la dimension effective et démontrant qu'un préconditionneur mal choisi peut entraîner une dépendance sous-optimale dans les bornes d'erreur d'excès.
Cet article propose un estimateur convexe combinant pénalités de norme nucléaire et pour estimer la dérive de processus d'Ornstein-Uhlenbeck de haute dimension pilotés par un bruit de Lévy, en exploitant une structure décomposée en composante de bas rang et composante creuse afin d'obtenir une inégalité oracle non asymptotique qui améliore la dépendance en la dimension ambiante par rapport aux estimateurs purement creux.
Ce papier démontre mathématiquement et expérimentalement que les réseaux de réactions chimiques sans couches cachées surpassent les réseaux de neurones à impulsions nécessitant des couches cachées pour l'apprentissage de tâches de classification, offrant ainsi une explication mathématique à l'efficacité potentielle de l'apprentissage dans les réseaux biochimiques cellulaires.
Cet article propose une nouvelle approche pour la conception optimale d'expériences bayésienne par lots en relevant le problème d'optimisation vers l'espace des mesures de probabilité, où l'optimisation d'une régularisation entropique de l'utilité attendue mène à des algorithmes basés sur des particules dérivés des flots de gradient de Wasserstein.
Ce papier propose une caractérisation quantitative du phénomène d'oubli lors du post-entraînement continu de modèles génératifs en démontrant théoriquement comment la direction de la divergence (KL direct ou inverse), le chevauchement géométrique des modes et les stratégies d'échantillonnage déterminent respectivement l'effondrement des poids des anciennes tâches ou leur dérive contrôlée.