259 articles
Ce papier propose ResNMTF, une nouvelle méthode de biclustering multi-vues basée sur la factorisation tri-négative de matrices, capable d'identifier des biclusters sans connaissance préalable de leur nombre tout en introduisant le score de bisilhouette pour l'évaluation et le réglage des hyperparamètres.
Cet article propose des estimateurs semi-paramétriques efficaces et un cadre d'inférence adaptés aux essais randomisés multicentriques pour corriger les biais liés à l'ignorance de la corrélation intra-centre, améliorant ainsi la précision des estimations des effets moyens du traitement et des moyennes contrefactuelles.
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 propose un cadre méthodologique pour distinguer et estimer la capacité opérationnelle et la capacité ultime des ports maritimes multimodaux, en appliquant cette approche au Port de Houston pour identifier les goulots d'étranglement spécifiques selon les conditions de stabilité ou de perturbation.
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.
Cet article propose une méthode utilisant des ensembles d'arbres de décision pour passer des prévisions ponctuelles aux distributions de probabilité complètes des conflits futurs, permettant ainsi de mieux quantifier les incertitudes et d'améliorer la précision des prévisions de violence à l'échelle locale.
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.
Cette étude évalue systématiquement la capacité des modèles de langage GPT et Gemini à générer des plans factoriels fractionnaires à deux niveaux optimaux, démontrant qu'ils peuvent efficacement construire des designs de 8, 16 et 32 essais pour jusqu'à huit facteurs en respectant les critères de résolution et d'aberration minimale.
Cet article propose une approche bayésienne en deux étapes qui intègre l'incertitude de l'estimation du modèle pour identifier les répondants probables et améliorer la fiabilité des inférences sur les effets du traitement dans les essais contrôlés randomisés, comme démontré par des simulations et une application à un essai international sur le COVID-19.
Cet article établit des seuils informationnels optimaux pour la détection de géométrie latente dans des graphes géométriques aléatoires bipartis soumis à un masquage d'arêtes, en démontrant l'absence d'écart computationnel-statistique grâce à une nouvelle méthode d'analyse de Fourier qui améliore les bornes précédentes.
Cet article comble une lacune dans la théorie des intégrales de type Laplace en haute dimension en établissant une expansion asymptotique explicite avec des bornes de reste quantitatives qui restent valables jusqu'au seuil de concentration , bien au-delà du régime d'approximation gaussienne traditionnel, tout en fournissant des approximations analytiques pour les espérances et des transports polynomiaux pour l'échantillonnage.
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 démontre que le rééquilibrage itératif des arêtes d'un modèle de graphe aléatoire basé sur la courbure de Ricci de Lin-Lu-Yau amplifie la connectivité intra-communautaire, améliorant ainsi les garanties de regroupement spectral et permettant un suivi déterministe des itérations sur un horizon fini.
Cet article démontre que l'utilisation de générateurs de nombres aléatoires d'état dans les modèles basés sur des agents fausse les comparaisons contrefactuelles causales en raison de l'altération des chemins d'exécution, et propose une solution fondée sur le hachage d'événements couplé à des générateurs à compteur pour rétablir la cohérence causale.
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.