40 articoli
Il paper presenta algoritmi paralleli basati sulle mappe di Picard per simulare catene di Markov Metropolis senza gradienti, che accelerano la convergenza verso distribuzioni log-concave di un fattore utilizzando processori e si dimostrano efficaci in applicazioni ad alta dimensionalità come la regressione, i modelli epidemici e la medicina di precisione.
Il documento presenta la Modellazione Generativa Bayesiana (BGM), un quadro unificato basato sull'aggiornamento bayesiano stocastico iterativo che permette di inferire qualsiasi distribuzione condizionale arbitraria da un unico modello addestrato, garantendo al contempo stime di incertezza rigorose e solide basi teoriche.
Questo articolo presenta un nuovo metodo di campionamento basato su processi puntuali temporali che, modellando un sistema di code a server infiniti, genera distribuzioni di conteggio multivariato con supporto discendente in modo più efficiente rispetto ai processi di nascita-morte e di Zanella, offrendo al contempo applicazioni promettenti nelle reti neurali stocastiche ricorrenti.
Il paper presenta BNEM, un campionatore basato su Boltzmann che utilizza una tecnica di bootstrapping applicata al Noised Energy Matching (NEM) per generare campioni IID da distribuzioni di energia note, ottenendo prestazioni all'avanguardia e maggiore robustezza rispetto ai metodi esistenti.
Questo articolo presenta un nuovo algoritmo che, sfruttando la struttura ad albero di una famiglia di riferimento, calcola in modo efficiente (con complessità ) un'intera curva di limiti di confidenza post-hoc per la proporzione di falsi scoperti lungo una sequenza di insiemi di ipotesi crescenti.
Il paper introduce StablePCA, un framework di apprendimento robusto rispetto alla distribuzione che risolve il problema non convesso dell'estrazione di rappresentazioni latenti condivise da dati multi-sorgente tramite una rilassazione convessa risolta con un algoritmo Mirror-Prox, fornendo garanzie di convergenza globale e condizioni per la precisione della rilassazione.
Lo studio dimostra che i ritmi circadiani nelle reti del nucleo soprachiasmatico (SCN) sono robusti rispetto alla scalabilità della rete, rivelando che la stabilità dell'oscillazione dipende principalmente dal grado medio di connessione piuttosto che dalle dimensioni della rete o dalla sua autosimilarità.
Questo articolo studia un problema inverso di valori al contorno per l'equazione di Helmholtz semilineare, dimostrando l'identificazione unica dei coefficienti lineari e non lineari tramite linearizzazione di ordine superiore e proponendo un quadro numerico di ricostruzione basato sull'inferenza bayesiana e sull'algoritmo pCN-MCMC.
Il documento dimostra che gli algoritmi Metropolis-Hastings con proposte non geometricamente ergodiche e tassi di accettazione che tendono all'unità non sono geometricamente ergodici, e analizza come la coda della distribuzione target influenzi il tasso di convergenza e il comportamento balistico delle varianti random walk e guided walk.
Il documento presenta TV-Select, un nuovo quadro unificato che combina penalizzazione di gruppo e regolarizzazione per selezionare simultaneamente le variabili rilevanti e determinare se i loro effetti nei modelli longitudinali sono costanti o variabili nel tempo, migliorando così l'accuratezza strutturale e le prestazioni predittive rispetto ai metodi esistenti.
Questo studio presenta la prima realizzazione di una fase topologica frazionaria in un cammino quantistico discreto su grafi ciclici finiti, dimostrando come un protocollo a moneta singola possa generare invarianti topologici frazionari, bande piatte e stati di bordo robusti contro il disordine, offrendo una piattaforma accessibile per l'ingegneria di fenomeni topologici non convenzionali.
Il paper propone Momentum SVGD-EM, un metodo accelerato per la stima della massima verosimiglianza marginale che integra l'accelerazione di Nesterov sia negli aggiornamenti dei parametri che nello spazio delle misure di probabilità, ottenendo una convergenza più rapida rispetto alle tecniche esistenti in scenari a bassa e alta dimensionalità.
Questo articolo propone due criteri robusti e un algoritmo di ottimizzazione per apprendere regole di trattamento ottimali basate su dati di sopravvivenza censurati, mirando a massimizzare il tempo medio di sopravvivenza troncato e le probabilità di sopravvivenza tamponate, con validazione teorica e sperimentale su dati simulati e reali.
Il paper propone CLIQUE, un nuovo metodo agnostico rispetto al modello per calcolare l'importanza locale delle variabili che cattura le dipendenze locali e le interazioni, superando i limiti di tecniche come LIME e SHAP e adattandosi nativamente ai problemi di classificazione multiclasse.
Il documento presenta NETCROP, un metodo efficiente e accurato per la convalida incrociata e la selezione dei modelli nelle reti complesse, che suddivide i dati in sottoreti sovrapposte per superare le sfide strutturali tipiche di questo tipo di analisi.
Questo articolo propone un algoritmo adattivo che bilancia ottimamente le risorse tra la stima delle statistiche oracle e la costruzione di un estimatore multi-fidelity, garantendo un errore quadratico medio comparabile a quello ottenuto con allocazioni ottimali ideali, come dimostrato da esperimenti numerici su problemi fisici complessi.
Questo articolo propone un nuovo metodo basato su modelli ad albero additivi e una funzione di perdita bilanciante per stimare i rapporti di densità tra due campioni, consentendo sia un'ottimizzazione efficiente tramite algoritmi di apprendimento supervisionato sia una quantificazione dell'incertezza tramite inferenza bayesiana, con applicazioni validate su dati microbiomici.
Questo lavoro presenta un metodo rapido e deterministico basato sull'algebra lineare per completare tensori osservati tramite intere fibre lungo una singola modalità, sfruttando la struttura a "Train Tensor" per garantire il recupero dei dati senza ricorrere a ottimizzazioni numeriche complesse.
Questo studio propone metodi per selezionare partizioni a due blocchi ottimali che accelerano la convergenza delle catene di Markov verso la stazionarietà, minimizzando la divergenza KL e la distanza di Frobenius attraverso un problema di ottimizzazione combinatoria risolvibile con algoritmi approssimati.
Il documento presenta la "Gimbal Regression", un framework di regressione locale deterministico e consapevole della geometria che garantisce stime stabili e verificabili in presenza di eterogeneità spaziale, risolvendo i problemi di instabilità numerica tipici dei metodi tradizionali.