260 articoli
Il paper propone ResNMTF, un nuovo approccio di biclustering multi-vista basato sulla fattorizzazione tri-nonnegativa di matrici che identifica automaticamente cluster sovrapposti e non esaustivi senza conoscere a priori il loro numero, introducendo inoltre il punteggio "bisilhouette" come misura intrinseca valida per la valutazione e la regolazione degli iperparametri.
Questo studio propone stimatori semiparametrici efficienti e un nuovo quadro inferenziale per l'aggiustamento robusto delle covariate negli studi randomizzati multicentrici, risolvendo i problemi di correlazione a livello di centro e migliorando l'efficienza e la copertura degli intervalli di confidenza anche in presenza di modelli errati.
Questo articolo introduce un modello non parametrico di Grafo a Prodotto Scalare Casuale Pesato (WRDPG) che estende l'analisi delle reti ai grafi con pesi eterogenei, permettendo di discriminare distribuzioni di pesi con la stessa media ma momenti superiori diversi, e fornisce stime statistiche coerenti per le posizioni latenti dei nodi insieme a un framework generativo per la simulazione di tali grafi.
Questo lavoro migliora la comprensione teorica del Flow Matching derivando un tasso di convergenza per la distanza di Wasserstein 1 che supera i risultati precedenti negli ambienti ad alta dimensionalità, senza richiedere l'assunzione di log-concavità e controllando la dipendenza dalla costante di Lipschitz.
Questo articolo presenta un framework per stimare la capacità operativa e quella ultima dei sistemi portuali multimodali, applicato al Porto di Houston per identificare le risorse critiche e valutare la resilienza attraverso modelli di coda e equazioni differenziali.
Questo lavoro indaga l'esistenza e il calcolo delle funzioni di Busemann nello spazio di Wasserstein, fornendo espressioni in forma chiusa per distribuzioni unidimensionali e misure gaussiane che abilitano nuovi schemi di proiezione e distanze Sliced-Wasserstein applicati con successo a dataset sintetici e problemi di transfer learning.
Questo lavoro introduce il paradigma dell'apprendimento sotto supervisione di un arbitro, in cui un apprendista valuta modelli opachi confrontando due provatori in competizione (uno onesto e uno disonesto), dimostrando che tale approccio consente di identificare il modello migliore con una precisione elevatissima e un costo di query e comunicazione drasticamente inferiori rispetto ai metodi tradizionali.
Questo lavoro propone un quadro bayesiano unificato che spiega come l'apprendimento in contesto e lo steering delle attivazioni controllino i modelli linguistici modificando le loro credenze latenti, rispettivamente attraverso l'accumulo di evidenze e la variazione dei prior, permettendo di prevedere e spiegare fenomeni comportamentali complessi come le curve di apprendimento sigmoidee e le transizioni brusche.
Questo articolo propone tre algoritmi scalabili basati su Variational Bayes e Expectation Propagation per l'inferenza approssimata nei modelli di regressione probit cumulativa, offrendo prestazioni computazionali superiori e un'accuratezza notevole rispetto ai metodi MCMC tradizionali, come dimostrato anche in uno studio di caso sulla struttura di una rete criminale.
Questo studio propone un approccio basato su ensemble di alberi decisionali per passare dalle previsioni puntuali alle distribuzioni predittive complete dei futuri conflitti, superando l'incertezza e le limitazioni dei dati tradizionali e dimostrando prestazioni superiori rispetto ai benchmark storici.
Il paper risolve il paradosso tra la connettività dei minimi di perdita nei network neurali e la loro localizzazione durante l'ottimizzazione, dimostrando che barriere entropiche generate dalle variazioni di curvatura e dal rumore dinamico confinano efficacemente le traiettorie di apprendimento all'interno di singoli bacini di attrazione.
Questo studio valuta sistematicamente le capacità dei modelli LLM (GPT e Gemini) di generare disegni fattoriali frazionari a due livelli, dimostrando che sono in grado di costruire disegni ottimali fino a otto fattori con 8, 16 o 32 esecuzioni, sebbene le prestazioni diminuiscano per un numero maggiore di fattori.
Il paper propone un approccio bayesiano a due stadi che integra l'identificazione dei sottogruppi con l'inferenza sugli effetti del trattamento, incorporando l'incertezza del modello per ottenere intervalli di confidenza meglio calibrati rispetto ai metodi tradizionali, come dimostrato tramite simulazioni e un'applicazione a un trial clinico internazionale sul COVID-19.
Il paper stabilisce soglie di transizione di fase information-theoretic quasi ottimali per la rilevazione della geometria latente in grafi geometrici bipartiti rumorosi, dimostrando che il problema è significativamente più semplice quando la maschera di osservazione è nota e introducendo un nuovo quadro analitico basato sulla trasformata di Fourier che risolve il divario tra limiti computazionali e statistici.
Questo lavoro colma una lacuna nella teoria asintotica Laplaceiana in alta dimensione fornendo un'espansione esplicita con errori quantitativi valida fino alla soglia di concentrazione , permettendo così approssimazioni analitiche per le aspettative e la costruzione di trasporti polinomiali efficienti per la generazione di campioni.
Questo studio propone il "Randomized Kriging Believer", un nuovo metodo di ottimizzazione bayesiana parallela che combina un'implementazione semplice e a bassa complessità computazionale con garanzie teoriche sui limiti del rimpianto, superando le limitazioni delle tecniche esistenti.
Questo lavoro dimostra che una singola iterazione di riequilibrio dei pesi degli archi basata sulla curvatura di Ricci di Lin-Lu-Yau, seguita da un'analisi di concentrazione uniforme e da un flusso di curvatura a orizzonte finito, amplifica la connettività intra-blocco nel modello a blocchi stocastici bilanciato, garantendo così un miglioramento non asintotico delle prestazioni del clustering spettrale per il recupero delle comunità.
Il paper dimostra che l'uso di generatori di numeri casuali basati su seed nello stato compromette la validità causale nelle simulazioni di modelli basati su agenti quando i percorsi di esecuzione cambiano, e propone l'adozione di generatori basati su contatori combinati con identificatori di eventi per garantire un'associazione stabile e causalmente coerente tra gli input stocastici e gli eventi simulati.
Questo articolo propone un framework di regressione ridge funzionale basato sulla partizione che, decomponendo la funzione dei coefficienti in effetti dominanti e deboli per applicare penalizzazioni differenziali, risolve problemi di multicollinearità e sovrapposizione nei modelli lineari funzionali ad alta dimensionalità migliorando stabilità numerica, interpretabilità e prestazioni predittive.
Il paper propone Co-Diffusion, un innovativo framework a due stadi basato sulla diffusione latente che migliora la generalizzazione nella previsione dell'affinità farmaco-target mitigando il collasso delle rappresentazioni e ottenendo prestazioni superiori nello zero-shot su scaffold molecolari e famiglie proteiche inedite.