330 articoli
Questo lavoro propone un nuovo approccio di regressione Fréchet per risposte distributive multivariate basato sulla famiglia nonparanormale e sulla metrica NPT, che supera le sfide computazionali e statistiche decomponendo il problema in regressioni separate per i margini e la struttura di dipendenza, garantendo allo stesso tempo convergenza uniforme e interpretazione granulare.
Il paper presenta metodi di "engression" spaziotemporale profonda per generare previsioni probabilistiche affidabili sulle epidemie, quantificando l'incertezza endogenamente e superando i modelli esistenti su diversi dataset epidemiologici.
Il paper propone DualAdam, un nuovo ottimizzatore che combina i meccanismi di aggiornamento di Adam e della sua variante inversa (InvAdam) per garantire la convergenza e migliorare la generalizzazione dei modelli di deep learning, aiutandoli a evitare minimi acuti a favore di minimi piatti.
Questo articolo presenta MSKernelBench, un benchmark completo per scenari multipli, e CUDAMaster, un sistema multi-agente hardware-consapevole che ottimizza automaticamente i kernel CUDA, ottenendo accelerazioni significative che superano di circa il 35% le soluzioni esistenti e competono con librerie proprietarie come cuBLAS.
Questo articolo propone un metodo avanzato di regressione rango-rango condizionata basato su modelli di trasformazione profonda (DCTM) per misurare la mobilità intergenerazionale, offrendo stime più robuste e interpretabili rispetto alle tecniche tradizionali in scenari non lineari e con variabili discrete, come dimostrato da applicazioni empiriche su reddito negli USA e mobilità educativa in India.
Il paper presenta le Variational Flow Maps, un framework che risolve il problema della generazione condizionata in un singolo passo per i modelli di flusso, trasformando la condizione da una guida del percorso di campionamento all'apprendimento di un adattatore di rumore iniziale che garantisce la coerenza con le osservazioni e le distribuzioni dei dati.
Questo lavoro propone un framework teorico ed empirico per l'addestramento di politiche robuste in POMDP parzialmente osservabili, dimostrando che l'esposizione mirata a distribuzioni latenti avverse tramite un principio minimax riduce significativamente le vulnerabilità nei casi peggiori.
Il paper propone DistGP, un metodo di apprendimento multi-robot distribuito basato su un processo gaussiano sparso che, grazie alla propagazione delle credenze gaussiane, permette un addestramento asincrono e online con prestazioni superiori rispetto alle GP ad albero e ai ottimizzatori di reti neurali distribuite, pur raggiungendo la stessa accuratezza di un modello centralizzato.
Questo lavoro stabilisce garanzie finite-campiono per l'apprendimento di rappresentazioni dello stato guidate dai costi e per il controllo ottimale in problemi LQG a orizzonte infinito, analizzando sia modelli latenti espliciti che impliciti (simili a MuZero) e provando la persistenza dell'eccitazione per un nuovo processo stocastico.
Questo monografia offre una panoramica rigorosa degli aspetti teorici e metodologici dell'inferenza probabilistica e dell'apprendimento con il metodo di Stein, fornendo ricette per costruire discrepanze di Stein, discutendone le proprietà e dettagliando la connessione con la discesa del gradiente variazionale di Stein.
Il paper propone un framework di previsione conforme che preserva la privacy utilizzando l'intera base di dati senza ricorrere alla divisione del campione, sfruttando la stabilità garantita dalla privacy differenziale per controllare il divario tra punteggi interni ed esterni e ottenere set di previsione più precisi rispetto alle metodologie basate sulla split.
Il paper presenta ReGEN-TAD, un framework generativo interpretabile che combina previsioni congiunte e ricostruzione in un'architettura ibrida convoluzionale-transformer per rilevare anomalie e instabilità strutturali nelle serie temporali finanziarie ad alta dimensionalità senza dati etichettati, fornendo al contempo attribuzioni coerenti a livello fattoriale.
Questo articolo introduce un quadro teorico basato sul filtraggio particellare per analizzare e migliorare i metodi di inferenza parallela nei modelli linguistici, identificando sia criteri per garantire l'accuratezza del campionamento sia limiti fondamentali intrinseci a tali approcci.
Questo studio propone un Framework Transformer Bayesiano che integra tre meccanismi di incertezza complementari in un'architettura PatchTST per ottenere previsioni probabilistiche del carico elettrico altamente calibrate e robuste, superando le prestazioni degli attuali modelli di deep learning su diversi dataset delle reti elettriche, specialmente durante eventi meteorologici estremi.
Questo lavoro propone un framework di trasferimento robusto per MDP che, integrando informazioni secondarie come vincoli sui momenti delle caratteristiche e distanze distribuzionali all'interno di insiemi di incertezza centrati sulla stima, genera politiche ottimali nel caso peggiore con minori livelli di conservatorismo e una maggiore efficienza nel campionamento rispetto agli approcci tradizionali.
Gli autori sviluppano una pipeline di apprendimento per rinforzo che semplifica i diagrammi di nodi, dimostrando la sua efficacia su nodi banali complessi e recuperando il limite superiore sorprendente di tre per il numero di svincolo del nodo composto $4_1\#9_{10}$.
Il paper propone la Local Constrained Bayesian Optimization (LCBO), un nuovo framework che supera le limitazioni dei metodi a regione di fiducia nei problemi vincolati ad alta dimensionalità alternando discesa locale ed esplorazione guidata dall'incertezza, garantendo teoricamente un tasso di convergenza polinomiale rispetto alla dimensionalità e dimostrando prestazioni superiori rispetto agli stati dell'arte su benchmark fino a 100 dimensioni.
Il paper propone un approccio di ricerca del massimo prodotto interno (MIPS) ammortizzato che utilizza reti neurali apprese, come SupportNet e KeyNet, per prevedere direttamente le soluzioni ottimali sfruttando le proprietà matematiche delle funzioni di supporto, riducendo così i costi computazionali per distribuzioni di query fisse.
Il paper presenta un nuovo metodo spiegabile per il monitoraggio delle condizioni delle trasmissioni degli elicotteri, basato sulla rilevazione probabilistica delle anomalie utilizzando esclusivamente dati sani per quantificare l'incertezza e supportare decisioni in applicazioni critiche.
Questo articolo critica l'attuale regime di valutazione per la previsione delle serie temporali a lungo termine, basato esclusivamente sulla riduzione degli errori puntuali, e propone un approccio multidimensionale che integri fedeltà statistica, coerenza strutturale e rilevanza decisionale per allineare il progresso scientifico agli obiettivi reali del forecasting.