333 articoli
Questo studio analizza un'approssimazione di diffusione in tempo continuo per i gradienti di politica nei banditi stocastici, dimostrando che un tasso di apprendimento adeguato garantisce un rimpianto logaritmico, mentre un tasso troppo elevato porta a un rimpianto lineare in certi casi.
Questo articolo propone un metodo di programmazione quadratica sequenziale stocastica con regione di fiducia e punto interno (TR-IP-SSQP) per ottimizzare funzioni obiettivo stocastiche soggette a vincoli non lineari deterministici, dimostrandone la convergenza quasi certa e le prestazioni pratiche su problemi di classificazione e di ottimizzazione.
Il documento dimostra che, quando la prior condizionata agli iperparametri è una distribuzione canonica di massima entropia, anche la prior marginale risultante nei modelli gerarchici bayesiani conserva una proprietà di massima entropia, ma vincolata alla distribuzione marginale di una funzione delle quantità incognite, rivelando così la natura delle informazioni assunte in tali modelli.
Il paper propone MultiwayPAM, un nuovo metodo di clustering tensoriale che analizza i punteggi ottenuti tramite LLM-as-a-Judge per ridurre i costi computazionali e identificare i bias intrinseci degli evaluator, permettendo di scoprire la struttura di appartenenza di domande, rispondenti e valutatori attraverso l'individuazione simultanea dei membri e dei medoidi di ciascun cluster.
Questo lavoro risolve il problema di identificazione del braccio migliore in banditi lineari non stazionari stabilendo un limite inferiore dipendente dall'insieme dei bracci e proponendo l'algoritmo basato sul design ottimale adiacente, che raggiunge tale limite e supera le stime pessimistiche basate sul design G-ottimale.
Questo articolo presenta PP-LUCB, un algoritmo che ottimizza la progettazione dei sistemi di servizio identificando la configurazione migliore con alta confidenza e riducendo i costi di audit umano, combinando valutazioni economiche ma distorte di modelli linguistici con verifiche mirate basate su prove testuali.
Il paper propone WiGS, un metodo di apprendimento attivo per la regressione che utilizza l'apprendimento per rinforzo per adattare dinamicamente il criterio di selezione dei campioni, superando le limitazioni dei metodi statici e migliorando l'efficienza e l'accuratezza su dataset con densità irregolare.
Il paper introduce i Generalized Gaussian Mixture Processes (GGMP), un metodo basato sui Gaussian Process che combina l'adattamento locale di miscele gaussiane e l'allineamento dei componenti per stimare densità condizionali multimodali ed eteroschedastiche in modo efficiente e scalabile.
Il paper propone la "regressione isotonica di Brenier", un nuovo metodo di regressione multi-output che estende la regressione isotonica classica sfruttando il trasporto ottimo di Kantorovich per garantire la monotonia ciclica, dimostrando prestazioni superiori nella calibrazione delle probabilità e nei modelli lineari generalizzati.
Questo lavoro dimostra che la Discesa del Gradiente Precondizionata nello Spazio Duale converge a una soluzione che interpola i dati nel regime sovraparametrizzato e, nel caso di precondizionatori isotropi, minimizza la distanza di Frobenius rispetto all'inizializzazione, condividendo così lo stesso bias implicito della discesa del gradiente standard.
Questo studio confronta l'approssimazione bayesiana tramite Monte Carlo Dropout e il framework di Conformal Prediction su due architetture CNN addestrate su Fashion-MNIST, evidenziando come GoogLeNet offra stime di incertezza meglio calibrate rispetto a H-CNN VGG16 e come il Conformal Prediction garantisca validità statistica cruciale per decisioni ad alto rischio.
Il paper presenta ReTabSyn, un metodo di sintesi tabulare basato sul reinforcement learning che, focalizzandosi sulla distribuzione condizionale anziché su quella congiunta completa, migliora l'efficienza dei dati e le prestazioni dei modelli predittivi in scenari con campioni limitati e squilibrio delle classi.
Il paper propone nuovi test basati su kernel, utilizzando la discrepanza di Stein e la discrepanza massima media, per valutare l'equivalenza tra distribuzioni e superare i limiti dei test di bontà di adattamento tradizionali che non possono confermare l'assenza di differenze significative.
Questo articolo introduce un framework di previsione selettiva per il recupero di strutture molecolari dagli spettri di massa, dimostrando che l'uso di misure di incertezza a livello di recupero e di controllo del rischio senza distribuzione permette di ottenere annotazioni affidabili con un tasso di errore controllato, evitando così previsioni in contesti ad alto rischio.
Questo articolo presenta un quadro unificato di ottimizzazione bayesiana basato su processi gaussiani che, attraverso un ciclo di surrogate a sei passaggi e tecniche avanzate come l'ottimizzazione del trasporto e le caratteristiche di Fourier casuali, accelera l'identificazione di punti stazionari su superfici di energia potenziale riducendo drasticamente il numero di valutazioni necessarie.
Il paper presenta AGFN, un algoritmo di apprendimento per rinforzo che integra conoscenze esperte a priori e feedback incerti a posteriori per inferire distribuzioni su grafi ancestrali, migliorando l'affidabilità della scoperta causale in presenza di confondimento latente.
Questo lavoro offre una revisione completa e una specifica formale dettagliata delle reti di codifica predittiva, presentandole come un quadro neurale ispirato e biologicamente plausibile che supera i limiti della retropropagazione tradizionale e si posiziona come una soluzione promettente per l'innovazione futura nel machine learning.
Questo libro fornisce una trattazione pedagogica e unificata delle basi teoriche della previsione conforme e delle tecniche inferenziali correlate, presentando le dimostrazioni dei risultati più importanti della letteratura per offrire garanzie finite e senza assunzioni distributive nell'ambito dell'apprendimento automatico.
Questo lavoro propone varianti sparse delle macchine a vettori di supporto quadratiche (QSVM) basate sulla regolarizzazione per migliorare l'interpretabilità e la generalizzazione, sviluppando un algoritmo di decomposizione della penalità che garantisce condizioni di ottimalità e dimostrando l'efficacia del metodo attraverso esperimenti numerici su dataset pubblici e reali.
Questo articolo introduce una variante del passo di Polyak per l'uso della discesa dello specchio entropica nella risoluzione di sistemi lineari, superando le sfide legate al dominio illimitato e ottenendo risultati di convergenza sublineare e lineare, oltre a rafforzare i limiti sul bias implicito nella norma e generalizzare i risultati a funzioni convesse lisce arbitrarie.