335 articoli
Questo lavoro introduce un budget di deriva intrinseco basato sulla distanza di Fisher-Rao per caratterizzare l'apprendimento statistico in ambienti a ciclo chiuso, dimostrando che la riproducibilità prequenziale è limitata da un errore irriducibile proporzionale al tasso medio di deriva cumulativa.
Questo lavoro propone un quadro statistico unificato che dimostra come l'aumento sintetico nei dati sbilanciati non sia sempre vantaggioso, identificando le condizioni in cui può danneggiare le prestazioni e introducendo una strategia pratica (VTSS) per ottimizzare la quantità di campioni sintetici da generare.
Questo articolo studia l'omologia degli groupoidi ampi mediante il complesso di Moore a supporto compatto, dimostrando una sequenza esatta universale dei coefficienti per coefficienti discreti, identificando gli ostacoli per coefficienti non discreti e costruendo una sequenza di Mayer-Vietoris per il calcolo omologico.
Questo lavoro propone un modello statistico basato sulla fattorizzazione tensoriale che combina valutazioni automatiche a basso costo con un limitato set di dati umani per ottenere valutazioni granulari ed efficienti delle prestazioni dei modelli generativi, superando i colli di bottiglia dei dati e fornendo stime accurate delle preferenze umane senza necessità di nuove annotazioni.
Questo articolo propone un nuovo paradigma per l'apprendimento causale che integra piattaforme di crowdsourcing, modelli di esperti umani e agenti LLM in un framework distribuito per sintetizzare conoscenze frammentarie e ricostruire strutture causali globali altrimenti irraggiungibili.
Questo articolo corregge gli errori presenti nella teoria originale di UMAP proposta da McInnes et al., fornendo una derivazione completa e autonoma dei funtori di Spivak e una descrizione esplicita della loro variante finita utilizzata nell'algoritmo.
Questo articolo propone il "Learning Order Forest", un metodo di clustering che utilizza una struttura ad albero per rappresentare le relazioni d'ordine tra valori di attributi qualitativi, ottimizzando congiuntamente la struttura degli alberi e i cluster per ottenere risultati più accurati rispetto alle tecniche tradizionali basate sulla distanza euclidea.
Questo articolo propone una strategia adattiva per la selezione dei parametri negli algoritmi di discesa del gradiente basati su kernel, che integra l'analisi bias-varianza con il metodo di splitting e la dimensione empirica efficace, garantendo teoricamente un errore di generalizzazione ottimale e un adattamento superiore rispetto ai metodi esistenti.
Questo lavoro introduce l'Energia Libera di Surprisal-Rényi (SRFE), un funzionale log-momentale che generalizza le divergenze KL forward e reverse, rivelando un compromesso esplicito tra media e varianza e fornendo una caratterizzazione variazionale e una interpretazione basata sulla Lunghezza Minima di Descrizione per il controllo delle grandi deviazioni.
Il paper propone un modello scalabile per la scoperta causale che, sfruttando dati osservazionali e interventivi soft con target ignoti, integra regole di orientamento contrastive per ricostruire una struttura causale globale coerente, garantendo teoricamente il recupero asintotico del PDAG identificabile e dimostrando empiricamente migliori prestazioni di generalizzazione e scalabilità.
Questo lavoro propone un algoritmo minimamente ottimo per l'apprendimento per rinforzo con osservazioni dello stato ritardate, ottenendo un limite di rimpianto e fornendo una corrispondente limite inferiore che ne conferma l'ottimalità.
Lo studio dimostra che la vulnerabilità agli esempi avversari deriva da un disallineamento esponenziale tra le varietà percettive delle reti neurali e quelle umane, suggerendo che la robustezza può essere raggiunta solo allineando la dimensionalità di questi spazi concettuali.
Il paper introduce CausalMix, un framework generativo variazionale che colma il divario tra realismo distributivo e controllabilità causale nella sintesi di dati tabellari misti, permettendo la manipolazione indipendente di sovrapposizione, confondimento ed eterogeneità degli effetti per validare studi causali e analisi di potenza.
Lo studio dimostra che la riformulazione algebrica degli obiettivi e la progettazione dei benchmark generano deviazioni strutturate dall'intuizione del teorema "No Free Lunch", portando a riordinamenti stabili delle prestazioni degli algoritmi che richiedono una scelta consapevole basata sulla classe del problema e sulla rappresentazione dell'obiettivo.
Questo lavoro presenta un quadro rigoroso per estendere gli operatori neurali al di fuori della distribuzione di addestramento, sfruttando tecniche di approssimazione dei kernel e spazi di Hilbert a nucleo riproducente per garantire la robustezza teorica e l'accuratezza nella risoluzione di equazioni differenziali alle derivate parziali su varietà.
Questo lavoro dimostra la convergenza forte di ordine 1/2 per uno schema geometrico di Eulero-Maruyama applicato alle equazioni differenziali stocastiche su varietà Riemanniane, fornendo inoltre un limite di Wasserstein per il campionamento tramite dinamica di Langevin Riemanniana discretizzata.
Questo lavoro estende l'identità di Stein alle distribuzioni q-Gaussiane a supporto limitato, derivando nuovi teoremi di tipo Bonnet e Price che permettono di costruire stimatori del gradiente facili da implementare e con varianza ridotta, utili per l'apprendimento profondo bayesiano e la minimizzazione sensibile alla nitidezza.
Questo lavoro dimostra che i modelli di diffusione basati sul punteggio adattano la loro velocità di convergenza alla dimensione intrinseca dei dati, superando la maledizione della dimensionalità e fornendo nuovi limiti di errore finiti per distribuzioni con supporto non limitato.
Il paper propone il framework "Two-Phase Suffix Imitation" per risolvere il problema dell'Inverso Contextual Bandit senza ricompense, dimostrando che un osservatore passivo può recuperare la politica ottimale con un tasso di convergenza di ignorando i dati iniziali di esplorazione e imitando solo le azioni successive.
Il paper propone il framework R-Design, che utilizza un modello osservazionale come prior per stimare efficientemente i residui di bias tramite l'apprendimento attivo, superando le inefficienze dei trial controllati randomizzati tradizionali e migliorando significativamente l'accuratezza dell'inferenza causale.