333 articoli
Questo lavoro introduce gli stimatori ReinMax-Rao e ReinMax-CV, che riducono la varianza dello stimatore ReinMax tramite tecniche di Rao-Blackwellizzazione e variabili di controllo, migliorando così l'addestramento di autoencoder variazionali con spazi latenti discreti.
Questo lavoro risolve le limitazioni teoriche precedenti sull'algoritmo GP-PSRL per il controllo continuo, dimostrando che, anche in spazi di stato illimitati, è possibile ottenere un limite di rimpianto bayesiano sublineare dell'ordine attraverso l'uso di disuguaglianze probabilistiche avanzate e il metodo di chaining.
Il paper presenta un nuovo metodo basato su ottimizzazione del gradiente che genera spiegazioni controfattuali plausibili per la classificazione di serie temporali, integrando l'allineamento soft-DTW con i vicini più prossimi per garantire una struttura temporale realistica e superare i limiti delle approcci esistenti.
Questo articolo unifica i metodi di riduzione della varianza per la valutazione on-policy e off-policy, dimostrando l'equivalenza matematica tra gli stimatori standard di differenza di medie e quelli di punteggio di propensione inversa, nonché tra le tecniche di aggiustamento tramite regressione e la stima robusta doppia.
Questo articolo propone un nuovo algoritmo di ottimizzazione basato sul calcolo frazionario che, sostituendo il gradiente istantaneo con un operatore di memoria storica ponderata, supera i limiti degli approcci markoviani tradizionali per migliorare significativamente l'accuratezza e la robustezza nella gestione di dati sbilanciati come quelli relativi alla frode finanziaria e alla diagnosi medica.
Il paper propone un metodo efficiente chiamato "decalibrazione" per generare insiemi credali tramite intervalli di probabilità, permettendo la stima dell'incertezza epistemica in modelli complessi come TabPFN e CLIP senza richiedere il costoso riaddestramento di ensemble.
Questo lavoro risolve il problema del bias nei metodi di gradiente della politica per l'apprendimento per rinforzo multi-obiettivo con scalizzazione concava, proponendo un algoritmo Natural Policy Gradient basato su stimatori Monte Carlo a più livelli che garantisce una complessità di campionamento ottimale .
Il paper propone Generative Adversarial Regression (GAR), un framework che utilizza una formulazione minimax per addestrare generatori capaci di apprendere scenari di rischio condizionati allineati con obiettivi elicibili (come VaR e ES), garantendo una migliore preservazione del rischio a valle rispetto ai metodi tradizionali.
Questo lavoro stabilisce un limite superiore all'errore di approssimazione del valore nelle rappresentazioni spettrali dell'apprendimento per rinforzo, dimostrando come tale errore dipenda dall'algebraica connettività del grafo degli stati e fornendo una decomposizione completa dell'errore end-to-end senza assumere simmetrie nel kernel di transizione.
Il paper propone Momentum SVGD-EM, un metodo accelerato per la stima della massima verosimiglianza marginale che integra l'accelerazione di Nesterov sia negli aggiornamenti dei parametri che nello spazio delle misure di probabilità, ottenendo una convergenza più rapida rispetto alle tecniche esistenti in scenari a bassa e alta dimensionalità.
Il paper introduce i modelli causali a collo di bottiglia strutturale (SCBM), una nuova classe di modelli causali che presuppone che gli effetti tra variabili ad alta dimensionalità dipendano solo da statistiche riassuntive a bassa dimensionalità, offrendo un framework flessibile per la riduzione della dimensionalità specifica per il compito e migliorando la stima degli effetti in contesti di apprendimento con pochi dati.
Questo articolo propone un metodo di branch-and-bound disgiuntivo e nuove rilassazioni convesse per risolvere il completamento di matrici a basso rango con garanzia di ottimalità certificata, riducendo significativamente il divario di ottimalità e l'errore di generalizzazione rispetto ai metodi euristici esistenti.
Questo articolo propone un metodo di aggregazione basato sul trasporto ottimo per combinare modelli Mixture-of-Experts distribuiti in un unico stimatore globale, garantendo efficienza computazionale, bassi costi di comunicazione e prestazioni statistiche comparabili all'addestramento centralizzato.
Questo articolo propone due criteri robusti e un algoritmo di ottimizzazione per apprendere regole di trattamento ottimali basate su dati di sopravvivenza censurati, mirando a massimizzare il tempo medio di sopravvivenza troncato e le probabilità di sopravvivenza tamponate, con validazione teorica e sperimentale su dati simulati e reali.
Questo articolo propone una formulazione di controllo singolare regolarizzato per problemi di arresto ottimale esplorativo, risolvendoli tramite il principio di programmazione dinamica e sviluppando algoritmi di apprendimento per rinforzo, sia basati su modello che liberi da modello, per identificare strategie ottimali scalabili in spazi ad alta dimensionalità.
Il paper introduce EarthquakeNPP, un nuovo benchmark che corregge le carenze dei precedenti dataset e dimostra che, nonostante i recenti progressi, i processi puntuali neurali attuali non superano ancora le prestazioni del modello ETAS classico per la previsione sismica.
Questo studio rivela che i modelli di diffusione non memorizzano i dati in modo improvviso, ma subiscono un collasso geometrico graduale in cui, all'aumentare della scarsità dei dati, le capacità generative si restringono progressivamente su pochi esempi, passando dalla generalizzazione alla copia puntuale attraverso un processo di "congelamento" delle variazioni.
Il paper propone CLIQUE, un nuovo metodo agnostico rispetto al modello per calcolare l'importanza locale delle variabili che cattura le dipendenze locali e le interazioni, superando i limiti di tecniche come LIME e SHAP e adattandosi nativamente ai problemi di classificazione multiclasse.
Questo articolo propone una nuova famiglia di modelli statistici per le comparazioni a coppie che, eliminando l'assunzione di transitività stocastica tipica dei modelli Bradley-Terry e Thurstone, utilizza una matrice antisimmetrica a bassa dimensionalità per gestire scenari complessi con dati sparsi, garantendo al contempo ottimalità teorica e prestazioni superiori.
Questo articolo propone un algoritmo chiamato Cholesky-SVM che supera i limiti delle SVM tradizionali negli spazi non euclidei incorporando la covarianza dei dati tramite decomposizione di Cholesky, ottenendo così una classificazione più accurata rispetto ai metodi convenzionali.