329 articoli
Questo lavoro fornisce le prime garanzie a campione finito per un approccio di apprendimento di rappresentazioni guidato dai costi nel controllo LQG, dimostrando che è possibile apprendere un modello latente e un controllore quasi ottimali prevedendo direttamente i costi multi-step senza ricostruire osservazioni o azioni.
Questo studio dimostra come la combinazione strategica di tecniche di divisione del campione e di sintonizzazione degli stimatori delle funzioni di disturbo permetta di ottenere tassi di convergenza minimassimali ottimali per funzionali doppiamente robusti, superando le limitazioni delle stime plug-in e di correzione del bias di primo ordine in condizioni di regolarità ridotta.
Questo lavoro propone un metodo di apprendimento statistico innovativo per le aste multi-prodotto che utilizza intervalli di credibilità stimati non parametricamente per semplificare l'implementazione e ridurre i costi, garantendo al contempo proprietà desiderabili come l'incentivazione alla verità e la massimizzazione del ricavo.
Il paper presenta OTAD, un nuovo modello di difesa avversaria basato sul trasporto ottimo che combina l'addestramento su dati reali con l'interpolazione tramite problemi di integrazione convessa per garantire continuità di Lipschitz locale, offrendo così robustezza certificata e alta espressività su diverse architetture di deep learning.
Questo lavoro stabilisce le basi statistiche e fornisce indicazioni pratiche per l'uso della discesa del gradiente stocastica nei modelli di Cox profondi, dimostrando che l'estimatore di massima verosimiglianza parziale su mini-batch è consistente, asintoticamente normale e particolarmente efficace per applicazioni su larga scala dove i metodi tradizionali risultano intrattabili.
Questo lavoro propone un metodo di apprendimento variazionale per i Modelli a Variabili Latenti con Processi Gaussiani che utilizza il campionamento per importanza annealato stocastico per superare le limitazioni degli approcci esistenti in spazi ad alta dimensionalità, ottenendo legami variazionali più stretti e una convergenza più robusta.
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.
Il paper propone l'Adaptive Transfer Clustering (ATC), un framework unificato che ottimizza la decomposizione bias-varianza per sfruttare automaticamente le similarità tra un dataset principale e uno ausiliario, garantendo prestazioni ottimali in modelli statistici come le miscele gaussiane e i modelli a blocchi stocastici.
Questo lavoro deriva limiti di errore per il rischio eccessivo nella classificazione con etichette rumorose all'interno di framework di deep learning, decomponendo l'errore in componenti statistiche e di approssimazione e affinando i risultati sotto l'ipotesi di varietà a bassa dimensionalità.
Il paper introduce A3RL, un nuovo metodo di apprendimento per rinforzo che combina dati online e offline tramite una strategia di campionamento attiva e consapevole della fiducia per superare limiti come l'oblio catastrofico e migliorare l'efficienza dei campioni.
Il documento presenta un metodo di ottimizzazione bayesiana basato su regioni di fiducia che integra la replica adattiva per gestire efficacemente funzioni stocastiche ad alta varianza, migliorando significativamente sia l'accuratezza della soluzione che l'efficienza computazionale rispetto alle tecniche tradizionali.
Questo articolo propone un framework di ottimizzazione delle politiche offline personalizzate per processi decisionali di Markov eterogenei, introducendo l'algoritmo P4L che garantisce una rapida convergenza del rimpianto e supera le prestazioni dei metodi esistenti sia in simulazioni che su dati reali.
Il paper propone due nuovi algoritmi online per l'apprendimento decisionale focalizzato (DFL) in ambienti dinamici, che superano le sfide della non differenziabilità e non convessità attraverso regolarizzazione e tecniche di perturbazione, garantendo per la prima volta limiti di rimedio statici e dinamici e dimostrando prestazioni superiori in esperimenti pratici.
Questo studio dimostra che i metodi di imputazione basati su MICE offrono un'alternativa efficace e più semplice da implementare rispetto alle reti avversarie e agli autoencoder per la generazione di dati sintetici nella taratura assicurativa, preservando fedelmente le distribuzioni originali e migliorando le prestazioni dei modelli GLM.
Questo articolo propone la classe di metodi F²SA-p, che utilizza differenze finite di ordine p per approssimare il gradiente iperbolico nell'ottimizzazione bilevel stocastica, migliorando il limite superiore di complessità fino a per problemi altamente lisci e dimostrando la quasi-ottimalità di tale approccio rispetto al limite inferiore .
Questo lavoro presenta un metodo che combina deep learning e le conduttanze di ingresso dinamiche (DIC) per ricostruire rapidamente e in modo scalabile popolazioni degeneri di modelli neuronali basati su conduttanze partendo esclusivamente dai tempi di picco, superando la sfida di inferire parametri biofisici da dati sperimentali limitati.
Questo articolo presenta il primo limite PAC-Bayes completamente empirico per le catene di Markov, ottenibile stimando sperimentalmente il gap spettrale pseudo quando lo spazio degli stati è finito.
Questo articolo introduce i GDR-learners, una nuova famiglia di modelli generativi basati su flussi normalizzanti, GAN, VAE e modelli di diffusione che, grazie alla proprietà di ortogonalità di Neyman, offrono una stima asintoticamente ottimale e a doppia robustezza delle distribuzioni dei potenziali risultati, superando le prestazioni dei metodi esistenti.
Questo lavoro introduce l'Overlap-Adaptive Regularization (OAR), un nuovo approccio che migliora la stima dell'effetto medio del trattamento condizionale (CATE) nelle regioni a bassa sovrapposizione regolando i modelli meta-learner in modo proporzionale ai pesi di sovrapposizione, garantendo al contempo inferenze robuste attraverso versioni debiased.
Questo articolo presenta il DRQ-learner, un nuovo meta-apprenditore per la previsione di esiti individualizzati nei processi decisionali di Markov che, grazie a proprietà di robustezza doppia, ortogonalità di Neyman ed efficienza quasi-oracolo, supera i metodi esistenti sia in termini teorici che empirici.