314 articoli
Questo articolo propone un framework di prognostica non supervisionato che, utilizzando dati di guasto non etichettati, identifica simultaneamente modalità di guasto latenti e seleziona sensori informativi per migliorare la previsione della vita utile residua negli habitat spaziali profondi autonomi.
Il paper introduce il metodo Feature Importance Rescaling (FIR), una tecnica teoricamente fondata che migliora l'affidabilità della valutazione della qualità del clustering in presenza di rumore e feature irrilevanti, aumentando la correlazione tra gli indici di validità e la verità fondamentale.
Questo articolo propone una critica consequenzialista alle pratiche di valutazione della classificazione binaria, sostenendo l'adozione di regole di scoring adeguate come il punteggio Brier attraverso un nuovo framework decisionale e il pacchetto Python `briertools`, che colmano il divario tra teoria e pratica dominata da metriche a soglia fissa.
Questo lavoro propone due nuovi algoritmi di apprendimento per rinforzo privi di modello, Q-EarlySettled-LowCost e FedQ-EarlySettled-LowCost, che per la prima volta raggiungono simultaneamente un rimpianto quasi ottimale, costi di avvio lineari rispetto agli stati e alle azioni e costi di commutazione o comunicazione logaritmici, sia per agenti singoli che in contesti federati.
Questo articolo presenta il modello MIC (Mixture of Interacting Cascades), basato su processi di Hawkes multidimensionali, che supera i metodi esistenti nel modellare congiuntamente le interazioni tra utenti e cascata informative, offrendo al contempo visualizzazioni approfondite dell'attività delle reti sociali.
Questo articolo stabilisce le prime garanzie di convergenza globale per un variante dell'algoritmo IRLS con regolarizzazione dinamica, dimostrando che esso converge linearmente al sottospazio sottostante da qualsiasi inizializzazione nel contesto del recupero robusto dei sottospazi e dell'estimazione affine, estendendo inoltre i risultati teorici all'addestramento di reti neurali a bassa dimensionalità.
Questo articolo propone e valuta metodi di Monte Carlo repulsivi per calcolare la distanza di Wasserstein tagliata (sliced Wasserstein distance) su sfere di qualsiasi dimensione, concludendo che l'uso di UnifOrtho è preferibile in alte dimensioni mentre i metodi di quasi-Monte Carlo randomizzato sono ottimali in basse dimensioni.
Il paper propone AffPCL, un framework di apprendimento collaborativo personalizzato che riduce la complessità dei campioni adattandosi automaticamente all'eterogeneità degli agenti tramite meccanismi di correzione, garantendo un'accelerazione basata sull'affinità senza richiedere conoscenze a priori del sistema.
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 propone un framework robusto per l'ottimizzazione degli assortimenti basato su dati osservazionali che, modellando gli spostamenti nelle preferenze dei clienti, garantisce la massimizzazione del ricavo atteso nel caso peggiore e definisce i requisiti minimi di campionamento per un apprendimento statisticamente efficiente.
Questo lavoro studia i processi decisionali di Markov robusti non rettangolari con ricompensa media, dimostrando che le politiche ottimali possono essere caratterizzate tramite minimax senza richiedere rectangularità, e proponendo un nuovo quadro di valori transitori che combina politiche stazionarie ottimali con test sequenziali per garantire prestazioni finite nel tempo.
Questo lavoro presenta un framework basato su reti neurali informate dalla fisica (PINN) che permette una stima robusta dei parametri biofisici e la ricostruzione degli stati nascosti in modelli neuronali multiscala, superando le limitazioni dei metodi tradizionali grazie alla sua efficacia anche con osservazioni parziali, rumorose e inizializzazioni non informative.
Questo lavoro introduce il modello VI 2D SSM, un'architettura di spazio degli stati bidimensionale che garantisce l'equivarianza rispetto alle permutazioni nelle serie temporali multivariate, eliminando le dipendenze sequenziali artificiali tra le variabili e ottenendo prestazioni all'avanguardia grazie a una struttura teoricamente fondata su dinamiche locali e interazioni globali aggregate.
Il documento dimostra che non è possibile creare un procedimento di verifica dell'allineamento dell'IA che soddisfi contemporaneamente le proprietà di correttezza, generalità e tracciabilità, stabilendo un trilemma fondamentale che delimita i limiti della certificazione formale della sicurezza.
Il paper presenta Midicoth, un sistema di compressione senza perdita che migliora l'efficienza della previsione probabilistica nei modelli adattivi applicando un layer di denoising micro-diffusione basato su un albero binario per correggere le distorsioni delle stime di probabilità in modo online e data-efficiente.
Questo lavoro propone un framework di apprendimento per rinforzo multi-livello che, attraverso la compressione gerarchica dei processi decisionali e un curriculum didattico, facilita l'astrazione, la riduzione della stocasticità e il trasferimento di competenze tra diversi problemi e livelli di complessità.
Il paper introduce il Temporal Markov Transition Field (TMTF), un'estensione del Markov Transition Field che, suddividendo la serie temporale in blocchi contigui e calcolando matrici di transizione locali, risolve il problema della perdita di informazioni temporali nei processi non stazionari, generando una rappresentazione immagine adatta alle reti neurali convoluzionali.
Questo lavoro presenta un'analisi esaustiva di nove famiglie di limiti per la previsione selettiva e introduce il "Transfer-Informed Betting" (TIB), un metodo innovativo che combina sequenze di scommesse basate su martingale con il trasferimento di conoscenza tra domini per ottenere garanzie di rischio più strette in scenari con dati scarsi, dimostrando superiorità empirica su diversi benchmark rispetto ai metodi conformali e alle tecniche esistenti.
Questo articolo sviluppa un quadro geometrico che dimostra come il bias di primo ordine nelle inferenze variazionali strutturate sia determinato dalle componenti delle funzionali posteriori ortogonali allo spazio tangente della famiglia variazionale, spiegando così la distorsione sistematica delle dipendenze tra blocchi.
Il paper propone ULFS-KDPE, un nuovo stimatore di plug-in corretto per il bias basato su un sottomodello sfavorevole universale in spazi RKHS, che garantisce efficienza semiparametrica e stabilità numerica per parametri differenziabili senza richiedere la derivazione esplicita delle funzioni di influenza efficienti.