12881 articoli
Il paper introduce CPS, un approccio privo di gradienti per risolvere problemi inversi di diffusione che riformula il compito come ottimizzazione vincolata per cercare attivamente particelle ottimali senza richiedere la conoscenza completa del processo di osservazione.
Questo lavoro risolve un problema aperto proponendo il primo algoritmo che integra l'impulso (momentum) nell'ottimizzazione stocastica a passaggio singolo per la predizione lineare generalizzata, ottenendo un'accelerazione duale e dimostrando la sua superiorità rispetto alla riduzione della varianza.
Il paper introduce CoVAE, una nuova architettura generativa che cattura le correlazioni tra le modalità nei dati multimodali, superando i limiti delle strategie di fusione nello spazio latente tradizionali per garantire una ricostruzione incrociata accurata e una quantificazione efficace dell'incertezza.
Il paper introduce Locus, un metodo senza distribuzione che genera un punteggio interpretabile per quantificare il rischio di perdita su base per-input, permettendo di ordinare le previsioni e ridurre la frequenza di errori costosi attraverso una calibrazione semplice e garantita.
Questo studio stabilisce la convergenza quantitativa dei flussi gradiente di Wasserstein per le discrepanze di media kernel, fornendo nuovi risultati di esistenza, unicità e tassi di convergenza (globali esponenziali per e locali polinomiali per ) che si applicano al training di reti neurali a strato singolo e a sistemi di particelle interagenti, risolvendo questioni aperte sulla convergenza non quantitativa in questi contesti.
Questo articolo propone un approccio intermedio per l'inferenza differenzialmente privata nelle famiglie esponenziali che rilascia statistiche sufficienti rumorose per consentire un'analisi statistica calibrata e una generazione di dati sintetici con quantificazione rigorosa dell'incertezza.
Questo lavoro dimostra che le reti neurali grafiche (GNN) offrono un'architettura scalabile e simmetrica per simulare la dinamica adiabatrica di Hamiltoniani reticolari, consentendo tramite l'addestramento su dati di diagonalizzazione esatta simulazioni su larga scala che rivelano una crescita anomala dei domini di ordine a onde di densità di carica.
Il paper introduce la procedura di aggregazione MLSA per stabilire un'ineguaglianza oracolare moltiplicativa per l'errore di previsione leave-one-out in classi di ipotesi generali, dimostrando che tale errore è limitato da una costante moltiplicata per il rischio empirico minimo più un termine di complessità che scala come o a seconda del contesto.
Il paper presenta TRAKNN, un framework non supervisionato ed efficiente che utilizza un approccio kNN esatto basato sulla ricorrenza per rilevare traiettorie atmosferiche rare e geometricamente significative in grandi dataset spaziotemporali, superando le sfide computazionali tradizionali e identificando con successo anomalie coerenti con eventi meteorologici estremi.
Questo studio analizza le leggi di scalabilità di signSGD nella regressione lineare, dimostrando che, grazie a effetti unici di normalizzazione della deriva e rimodellamento del rumore, il metodo può superare SGD in termini di pendenza ottimale di calcolo in regimi dominati dal rumore, specialmente quando si utilizza un programma di apprendimento WSD con decadimento rapido delle caratteristiche.
Questo lavoro dimostra teoricamente che l'ottimizzatore Adam converge senza modifiche alle sue regole di aggiornamento, identificando una transizione di fase dipendente dal problema e dalla dimensione del batch nello spazio dei parametri e fornendo linee guida pratiche per la loro sintonizzazione che sono state validate empiricamente nel training di modelli linguistici su larga scala.
Questo articolo propone O-WiN, un framework che ottimizza l'esecuzione end-to-end dei carichi di lavoro DNN multimodali nei sistemi di elaborazione neurale wireless, dimostrando come l'interleaving delle trasmissioni e dell'esecuzione tramite l'algoritmo PACS riduca significativamente la latenza rispetto alla schedulazione sequenziale.
Questo lavoro caratterizza l'efficienza statistica dei bandit multi-braccio regolarizzati con KL fornendo il primo limite superiore di rimpianto con dipendenza lineare da e un limite inferiore quasi corrispondente, dimostrando così la near-ottimalità dell'algoritmo KL-UCB attraverso tutti i regimi di regolarizzazione.
Il paper propone un quadro basato su Processi Gaussiani Decondizionati (DGP) per l'inferenza causale con variabili strumentali e proxy, colmando la lacuna nella quantificazione dell'incertezza epistemica e offrendo una soluzione unificata che garantisce precisione predittiva, selezione del modello e stime di incertezza ben calibrate in presenza di confondimento non osservato.
Questo lavoro propone un controller di iniezione di sottospazio serbatoio (RSI) che, mitigando l'effetto di espulsione delle direzioni di passaggio causato dalla sbiancatura top-, ripristina le prestazioni dell'analisi delle componenti indipendenti online e ne migliora l'efficacia in scenari di miscelazione non lineare.
Il paper introduce i SE-RRM, un modello di ragionamento ricorrente che garantisce l'equivarianza simbolica a livello architetturale, migliorando le prestazioni e la capacità di generalizzazione su problemi come Sudoku e ARC-AGI rispetto ai modelli precedenti, pur utilizzando meno dati e parametri.
Il paper propone un metodo di controllo delle politiche basato sulla conformalità che, utilizzando una politica di riferimento sicura per regolare l'esplorazione di nuove strategie, garantisce limiti di rischio provati e prestazioni migliorate in ambienti ad alto rischio senza richiedere assunzioni sul modello o iperparametri.
Questo lavoro propone un metodo per l'inferenza conformale selettiva in contesti interventivi, combinando una teoria di copertura robusta alla contaminazione con un apprendimento causale parziale mirato a identificare le variabili non influenzate, garantendo così una copertura valida anche quando la struttura causale è sconosciuta.
Il presente lavoro dimostra che l'ottimizzazione dei parametri orbitali delle costellazioni satellitari tramite l'ottimizzazione bayesiana e gli algoritmi genetici permette di massimizzare significativamente i tassi di generazione di entanglement per una rete quantistica globale rispetto agli approcci naive.
Questo articolo presenta NQSVDD, un framework ibrido classico-quantistico per la classificazione one-class che integra reti neurali classiche con circuiti quantistici variationali per ottenere prestazioni competitive o superiori rispetto ai metodi esistenti, mantenendo efficienza parametrica e robustezza sui dispositivi NISQ.