SPPCSO: Adaptive Penalized Estimation Method for High-Dimensional Correlated Data
이 논문은 고차원 상관 데이터의 다중공선성 문제를 해결하기 위해 단일 모수 주성분 회귀와 정규화를 통합하여 변수 선택과 계수 추정의 안정성을 동시에 확보하는 새로운 적응형 페널티 추정 방법인 SPPCSO 를 제안하고 그 유효성을 이론적 및 실증적으로 입증합니다.
📊 Category
stat.ML
333 편의 논문
Synthetic Monitoring Environments for Reinforcement Learning
이 논문은 에이전트 행동의 정밀한 진단과 최적 정책의 기준을 제공하여 강화학습 평가를 경험적 벤치마킹에서 엄격한 과학적 분석으로 전환할 수 있도록 돕는 '합성 모니터링 환경 (SMEs)'이라는 무한한 연속 제어 작업 세트를 제안합니다.
Robust support vector model based on bounded asymmetric elastic net loss for binary classification
이 논문은 잡음 데이터에 강인하고 기하학적 비합리성을 해결하며 일반화 능력을 보장하는 새로운 경계 비대칭 탄성 넷 손실 함수를 기반으로 한 BAEN-SVM 모델을 제안하고, 그 이론적 성질을 증명하며 비볼록 최적화 문제를 효율적으로 해결하는 알고리즘을 개발하여 실험을 통해 기존 SVM 보다 우수한 성능을 입증했습니다.
Certified and accurate computation of function space norms of deep neural networks
이 논문은 구간 산술, 적응적 세분화 및 수치 적분을 결합하여 신경망 구조를 직접 활용함으로써 함수 공간 노름 (Lebesgue 및 Sobolev 노름) 과 PINN 잔차에 대한 검증 가능하고 정확한 계산을 위한 프레임워크를 제시합니다.
Bayesian Additive Distribution Regression
이 논문은 분포 값 예측자를 사용하여 스칼라 응답을 예측하는 분포 회귀 문제를 해결하기 위해, BART(베이지안 가법 회귀 트리) 사전 분포를 적용한 비모수적 방법인 DistBART 를 제안하고, 이론적 수렴성, 커널 방법과의 연관성, 그리고 대규모 데이터셋을 위한 확률적 근사 기법을 통해 그 유효성과 확장성을 입증합니다.
Semantics-Aware Caching for Concept Learning
이 논문은 설명 논리 기반 개념 학습에서 반복적인 인스턴스 검색으로 인한 런타임 병목 현상을 해결하기 위해, 의미론적 캐싱 기법을 도입하여 심볼릭 및 신경-심볼릭 추론기 모두에서 개념 학습 속도를 한 자릿수 이상 향상시켰음을 보여줍니다.
Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation
이 논문은 차원 축소로 인한 표현 학습 기반 CATE 추정치의 편향을 평가하기 위해, 저차원 표현 하에서 CATE 의 비식별성 조건을 이론적으로 규명하고 신경망 기반 반증 프레임워크를 통해 해당 편향의 상하한을 추정하는 새로운 방법을 제안합니다.
Onflow: a model free, online portfolio allocation algorithm robust to transaction fees
이 논문은 거래 비용을 고려하여 포트폴리오 할당을 최적화하는 모델 프리의 온라인 강화 학습 알고리즘인 'Onflow'를 제안하며, 이는 기존 벤치마크와 비교해 높은 거래 비용 환경에서도 우수한 성능을 보인다고 설명합니다.
Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix
이 논문은 ReLU 신경망을 통해 학습된 데이터 정보 행렬 (DIM) 을 활용하여 고차원 데이터 공간에 특이 여과 구조를 부여하고, 이를 통해 데이터의 기하학적 분포를 규명하며 지식 전이에 활용 가능한 방법론을 제시합니다.
Are Bayesian networks typically faithful?
이 논문은 다양한 베이지안 네트워크 클래스 (선형 가우시안, 이산형, 지수족, 비모수적 모델 등) 에서 충실도 (faithfulness) 를 만족하는 매개변수 집합이 위상적으로 밀집하고 열린 집합을 이루며, 이는 제약 기반 인과 발견 알고리즘 (PC, FCI 등) 의 일관성을 보장함을 증명합니다.
Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
이 논문은 관측 데이터에서 치료 효과의 우연적 불확실성을 정량화하기 위해 부분 식별을 통해 치료 효과의 조건부 분포에 대한 엄밀한 경계를 추정하고, 이를 위해 네이만 직교성과 준-오라클 효율성을 갖춘 새로운 직교 학습기 (AU-learner) 를 제안합니다.
Finance-Informed Neural Network: Learning the Geometry of Option Pricing
이 논문은 관측된 옵션 가격에 의존하는 대신 동적 헤지 기반의 자기지도 학습을 통해 금융 이론을 직접 통합한 '재무정보 신경망 (FINN)'을 제안하여, 블랙 - 숄즈 및 헤스팅 모델과 같은 다양한 환경에서 아비트리지 없는 가격 결정과 민감도 추정을 가능하게 하고, 유동성이 없는 자산에도 적용 가능한 새로운 금융 가격 책정 패러다임을 제시합니다.
Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling
이 논문은 실제 환경에서 사전 분포가 알려져 있지 않은 가우시안 프로세스 밴딧 문제를 해결하기 위해, 예측 성능이 낮은 사전 분포를 제거하거나 2 단계 탐험 방식을 적용하는 두 가지 알고리즘 (PE-GP-TS 및 HP-GP-TS) 을 제안하고 이론적 후회 상한을 증명하며 실험을 통해 그 유효성을 입증합니다.
Weighted Random Dot Product Graphs
이 논문은 노드 간 내적이 에지 가중치 분포의 모멘트 생성 함수를 통해 정의되어 평균은 같지만 고차 모멘트가 다른 분포를 구별할 수 있는 비모수적 가중 무작위 점곱 그래프 (WRDPG) 모델을 제안하고, 이를 위한 노드 임베딩 추정량의 통계적 보장과 그래프 생성 프레임워크를 제시합니다.
Distribution estimation via Flow Matching with Lipschitz guarantees
이 논문은 Flow Matching 모델의 벡터장 Lipschitz 상수에 대한 의존성을 제어하는 가정을 분석하여, 로그-볼록성 조건 없이 고차원 및 비유계 분포에 대해 Wasserstein 1 거리 수렴 속도를 개선한 이론적 결과를 제시합니다.
Busemann Functions in the Wasserstein Space: Existence, Closed-Forms, and Applications to Slicing
이 논문은 최적 수송으로 유도된 리만 구조를 가진 워asserstein 공간에서 Busemann 함수의 존재성을 규명하고, 1 차원 분포 및 가우시안 측도에 대한 폐형 해를 도출하여 확률 분포의 투영 기법을 개발하고 이를 슬라이싱 워asserstein 거리 및 전이 학습에 적용하는 방법을 제시합니다.
Refereed Learning
이 논문은 두 명의 경쟁하는 증명자 중 한 명만 정직한 환경에서 '심판 학습 (refereed learning)'을 제안하여, 단일 증명자나 증명자 없이 접근하는 기존 방법보다 훨씬 적은 비용으로 두 블랙박스 모델 중 더 나은 모델을 고차원 공간에서 높은 정밀도로 선택할 수 있음을 증명하고 있습니다.
Belief Dynamics Reveal the Dual Nature of In-Context Learning and Activation Steering
이 논문은 베이지안 관점에서 인-컨텍스트 학습과 활성화 조정이 모두 잠재 개념에 대한 모델의 신념을 변경한다는 통찰을 바탕으로, 두 가지 제어 방법을 통합적으로 설명하고 예측하는 폐쇄형 모델을 제시합니다.
Approximate Bayesian inference for cumulative probit regression models
이 논문은 대규모 데이터셋에서 누적 프로빗 회귀 모델의 베이지안 추정을 위해 변분 베이지안과 기대 전파를 기반으로 한 세 가지 확장 가능한 알고리즘을 제안하며, 마르코프 연쇄 몬테카를로 방법보다 우수한 계산 성능과 정확도를 입증합니다.
Entropic Confinement and Mode Connectivity in Overparameterized Neural Networks
이 논문은 손실 지형의 곡률 변화와 최적화 과정의 노이즈가 상호작용하여 생성되는 엔트로피 장벽이, 낮은 손실 경로를 연결하면서도 최적화 동역학이 특정 Basin 에 국한되게 하는 모순을 해결한다고 설명합니다.