297 articoli
Questo articolo propone un approccio di convalida incrociata penalizzata per la selezione del modello nei modelli a blocchi stocastici bipartiti, fornendo la prima garanzia di consistenza teorica e superando i metodi tradizionali preservando l'asimmetria tra i due insiemi di nodi.
Questo articolo presenta un nuovo metodo di stima per modelli ad effetti misti non lineari che utilizza penalized splines e differenziazione automatica tramite Template Model Builder per migliorare le prestazioni inferenziali e ridurre il carico computazionale, come dimostrato sia in simulazioni che in uno studio di caso sulla crescita infantile.
Il paper propone un approccio bayesiano dinamico che integra dati storici di controllo per ridurre il numero di animali nei gruppi di controllo negli studi tossicologici pre-clinici a bracci multipli, mantenendo il controllo del tasso di errore familiare e proteggendo contro le derive dei dati.
Questo studio propone un algoritmo di apprendimento sociale basato sull'energia libera per i banditi sociali, che permette a un agente di valutare e sfruttare le competenze di altri agenti non esperti o diversificati senza conoscere le loro ricompense, migliorando le prestazioni individuali e garantendo una convergenza teorica ottimale.
Il documento presenta CIM, un framework a due stadi che combina inferenza causale e ottimizzazione di rete per selezionare un insieme di semi che massimizza l'esito causale a regime, offrendo garanzie teoriche sia sulla stima delle funzioni di risposta che sul rapporto di approssimazione.
Questo articolo dimostra che la politica Follow-the-Perturbed-Leader (FTPL) con distribuzioni di Fréchet e Pareto, combinata con un'estensione efficiente del campionamento geometrico condizionato, raggiunge ottimalità di rimpianto e complessità computazionale ridotta per il problema dei semi-bracci a -insiemi sia in ambienti avversariali che stocastici.
Questo studio offre una caratterizzazione teorica del collasso del modello, dimostrando che il replay dei dati generati limita la capacità di apprendimento in scenari non uniformi e in limite, pur fornendo una giustificazione teorica per le pratiche di mitigazione come la pulizia dei dati e il watermarking.
Questo articolo presenta un nuovo approccio robusto per il test di ipotesi sequenziale basato sulle equazioni di stima generalizzate, che amplia la gamma di ipotesi verificabili, fornisce una teoria asintotica per le matrici di covarianza e gestisce dati incompleti, come dimostrato da simulazioni e da un'applicazione reale su uno studio longitudinale sull'epatite C.
Questo capitolo getta le fondamenta per l'apprendimento automatico quaternionico definendo la statistica aumentata, i modelli ampiamente lineari, il calcolo quaternionico e la stima del minimo quadrato per sfruttare le proprietà uniche dei quaternioni nel modellare le rotazioni tridimensionali.
Il documento presenta un nuovo quadro metodologico di "test-then-pool" che fonde i dati dei gruppi di controllo storici e attuali utilizzando test di equivalenza basati sulla discrepanza massima del nucleo (MMD) e procedure di bootstrap parziale, garantendo un rigoroso controllo dell'errore di Tipo I e una maggiore potenza statistica rispetto ai metodi tradizionali.
Questo articolo propone un nuovo limite di generalizzazione e un estimatore teorico per gli effetti del trattamento individuale in scenari multi-trattamento, introducendo la strategia di aggregazione dei trattamenti e l'architettura generativa Multi-Treatment CausalEGM per superare le sfide di selezione degli iperparametri e di scalabilità computazionale.
Il paper propone EnTransformer, un framework di previsione generativa basato su Transformer che integra l'engression per apprendere distribuzioni condizionali multivariate senza assunzioni parametriche, ottenendo previsioni probabilistiche ben calibrate e superiori rispetto ai modelli esistenti su diversi benchmark.
Il paper propone i Disegni di Campionamento Bilanciati Distribuzionalmente (DBD), una nuova classe di disegni probabilistici che massimizzano la rappresentatività campionaria minimizzando la discrepanza tra le distribuzioni ausiliarie della popolazione e del campione, offrendo così stime più affidabili in contesti di raccolta dati costosi come l'ecologia e le scienze ambientali.
Questo lavoro presenta un nuovo approccio di calibrazione bayesiana che integra la discrepanza del modello direttamente all'interno del simulatore tramite processi gaussiani, offrendo un'alternativa al metodo KOH per la calibrazione di modelli di dinamica delle dislocazioni inexacti rispetto ai dati della dinamica molecolare.
Il paper introduce il Local Adjacency Spectral Embedding (LASE), un metodo che supera i limiti dell'embedding spettrale globale catturando strutture localmente a bassa dimensionalità nelle reti attraverso una decomposizione spettrale pesata, garantendo così migliori prestazioni nella ricostruzione locale e nella visualizzazione.
Questo studio analizza i compromessi tra curvatura del rischio, geometria del rumore e precondizionamento nel metodo PSGD multipass, sviluppando una nuova analisi di stabilità algoritmica media per derivare limiti di rischio in eccesso dipendenti dalla dimensione effettiva e dimostrando come un precondizionatore inadeguato possa portare a una dipendenza subottimale da tale dimensione.
Questo lavoro propone e analizza un metodo di stima convesso basato sulla decomposizione in componenti a basso rango e sparse per la matrice di deriva di processi di Ornstein-Uhlenbeck ad alta dimensione guidati da rumore di Lévy, dimostrando che tale approccio migliora la dipendenza dalla dimensione rispetto agli stimatori puramente sparsi attraverso una disuguaglianza oracolo non asintotica.
Questo articolo dimostra matematicamente ed empiricamente che le reti di reazioni chimiche senza strati nascosti possono apprendere compiti di classificazione in modo più efficiente ed accurato rispetto alle reti neurali spiking che richiedono strati nascosti, offrendo nuove prospettive sul calcolo chimico e sull'apprendimento biologico.
Questo articolo propone un nuovo approccio al disegno ottimale bayesiano degli esperimenti in batch basato sui flussi gradiente di Wasserstein, che trasforma il problema di ottimizzazione non convesso in uno spazio di misure probabilistiche per derivare algoritmi scalabili in grado di gestire efficacemente paesaggi di ottimizzazione multimodali.
Questo lavoro fornisce una caratterizzazione quantitativa dell'oblio nel post-addestramento continuo dei modelli generativi, dimostrando teoricamente come la direzione della divergenza (KL diretta o inversa), la sovrapposizione geometrica delle distribuzioni e le strategie di replay determinino se si verifica la perdita di massa o lo spostamento dei componenti delle conoscenze precedenti.