335 articoli
Questo studio propone il "Randomized Kriging Believer", un nuovo metodo di ottimizzazione bayesiana parallela che combina un'implementazione semplice e a bassa complessità computazionale con garanzie teoriche sui limiti del rimpianto, superando le limitazioni delle tecniche esistenti.
Questo articolo propone un framework di regressione ridge funzionale basato sulla partizione che, decomponendo la funzione dei coefficienti in effetti dominanti e deboli per applicare penalizzazioni differenziali, risolve problemi di multicollinearità e sovrapposizione nei modelli lineari funzionali ad alta dimensionalità migliorando stabilità numerica, interpretabilità e prestazioni predittive.
Il paper propone Co-Diffusion, un innovativo framework a due stadi basato sulla diffusione latente che migliora la generalizzazione nella previsione dell'affinità farmaco-target mitigando il collasso delle rappresentazioni e ottenendo prestazioni superiori nello zero-shot su scaffold molecolari e famiglie proteiche inedite.
Questo lavoro dimostra che un'architettura di rete neurale tridimensionale basata su funzioni ReLU arricchite dall'altezza supera i limiti teorici esistenti, consentendo tassi di approssimazione esponenziali per funzioni analitiche e fornendo per la prima volta una stima quantitativa non asintotica di ordine elevato per funzioni generiche in .
Questo articolo propone e analizza due stimatori di reti neurali profonde basati sul principio della minima entropia dell'errore per la regressione non parametrica da osservazioni fortemente dipendenti, dimostrando che entrambi raggiungono il tasso di convergenza minimasso ottimale per classi di funzioni Hölder e composte.
Il paper definisce formalmente la "cattura algoritmica" e dimostra che, nonostante la loro espressività universale, i transformer a larghezza infinita possiedono un pregiudizio induttivo verso algoritmi a bassa complessità (classe EPTHS), il che ne limita l'apprendimento a compiti semplici come ricerca, copia e ordinamento, impedendo loro di generalizzare ad algoritmi più complessi.
Il paper introduce le mappe di trasporto diagnostiche per correggere le distribuzioni predittive di modelli base non calibrati, migliorando l'affidabilità e la quantificazione dell'incertezza per eventi rari, come dimostrato nella previsione dell'intensità dei cicloni tropicali.
Il lavoro presenta RIE-Greedy, un approccio per i banditi contestuali che sfrutta la casualità intrinseca del processo di regolarizzazione durante l'addestramento dei modelli per generare esplorazione efficace, dimostrando teoricamente e praticamente che tale strategia è equivalente al Thompson Sampling e supera i metodi tradizionali in ambienti complessi.
Questo articolo introduce l'estimatore "outrigger" per la regressione polinomiale locale, un metodo adattivo che utilizza la funzione di punteggio condizionale degli errori e una finestra di dati più ampia per ottenere prestazioni ottimali su diverse distribuzioni degli errori, superando i limiti degli stimatori standard basati su assunzioni gaussiane senza richiedere ipotesi strutturali aggiuntive.
Questo lavoro introduce il framework wcPCA per le approssimazioni di rango inferiore robuste agli spostamenti distribuzionali, dimostrando la loro ottimalità nel caso peggiore su domini target e applicandole con successo a problemi come la completazione di matrici e flussi ecosistemici.
Il documento dimostra che la dinamica di Langevin non è robusta agli errori nella stima della funzione di punteggio, producendo distribuzioni lontane dal target anche con errori L² arbitrariamente piccoli, a differenza dei modelli di diffusione che rimangono efficaci in condizioni simili.
Il paper propone un stimatore doppiamente robusto con correzione della varianza jackknife HAC per garantire inferenze spaziali valide e intervalli di confidenza stabili in presenza di etichette mancanti a caso e dipendenza spaziale, risolvendo il problema della distorsione statistica indotta dal cross-fitting.
Questo articolo introduce una decomposizione teorica della molteplicità osservazionale negli alberi decisionali in "rimorso strutturale" e "rimorso foglia", dimostrando sperimentalmente che l'instabilità della struttura dell'albero è il principale fattore di variabilità e che l'utilizzo di queste misure può migliorare la sicurezza e l'affidabilità delle previsioni tramite meccanismi di astensione.
Questo studio propone un algoritmo di apprendimento sociale basato sull'energia libera per i banditi sociali, che permette a un agente di valutare e sfruttare le competenze di altri agenti non esperti o diversificati senza conoscere le loro ricompense, migliorando le prestazioni individuali e garantendo una convergenza teorica ottimale.
Questo articolo dimostra che la politica Follow-the-Perturbed-Leader (FTPL) con distribuzioni di Fréchet e Pareto, combinata con un'estensione efficiente del campionamento geometrico condizionato, raggiunge ottimalità di rimpianto e complessità computazionale ridotta per il problema dei semi-bracci a -insiemi sia in ambienti avversariali che stocastici.
Questo studio offre una caratterizzazione teorica del collasso del modello, dimostrando che il replay dei dati generati limita la capacità di apprendimento in scenari non uniformi e in limite, pur fornendo una giustificazione teorica per le pratiche di mitigazione come la pulizia dei dati e il watermarking.
Questo capitolo getta le fondamenta per l'apprendimento automatico quaternionico definendo la statistica aumentata, i modelli ampiamente lineari, il calcolo quaternionico e la stima del minimo quadrato per sfruttare le proprietà uniche dei quaternioni nel modellare le rotazioni tridimensionali.
Il documento presenta un nuovo quadro metodologico di "test-then-pool" che fonde i dati dei gruppi di controllo storici e attuali utilizzando test di equivalenza basati sulla discrepanza massima del nucleo (MMD) e procedure di bootstrap parziale, garantendo un rigoroso controllo dell'errore di Tipo I e una maggiore potenza statistica rispetto ai metodi tradizionali.
Il paper propone EnTransformer, un framework di previsione generativa basato su Transformer che integra l'engression per apprendere distribuzioni condizionali multivariate senza assunzioni parametriche, ottenendo previsioni probabilistiche ben calibrate e superiori rispetto ai modelli esistenti su diversi benchmark.
Il paper introduce il Local Adjacency Spectral Embedding (LASE), un metodo che supera i limiti dell'embedding spettrale globale catturando strutture localmente a bassa dimensionalità nelle reti attraverso una decomposizione spettrale pesata, garantendo così migliori prestazioni nella ricostruzione locale e nella visualizzazione.