335 편의 논문
이 논문은 피셔 - 라오 거리를 기반으로 학습자의 행동과 환경적 변화를 구분하는 내재적 드리프트 예산을 도입하여, 폐루프 환경에서의 사전적 재현성 한계가 드리프트 속도에 의해 결정됨을 증명하고 이를 통해 적응적 데이터 분석과 수행적 피드백을 통합한 기하학적 프레임워크를 제시합니다.
이 논문은 불균형 학습에서 합성 데이터 증강이 항상 유익한 것은 아니며, 국소 대칭/비대칭 조건에 따라 그 효과가 달라지고 최적의 합성 샘플 수는 생성기의 오차 특성에 의존하므로 검증 기반 튜닝 (VTSS) 을 통해 합성 데이터 양을 조절해야 함을 통계적 프레임워크와 실험을 통해 규명합니다.
이 논문은 ample groupoid 의 호몰로지를 연구하여 이산 계수에 대한 보편 계수 정리를 증명하고, 비이산 계수에서의 장애 요인을 규명하며, 클로펜 포화 덮개에 대한 마이어-비토리스 긴 완전열을 구성합니다.
이 논문은 저렴한 자동 평가 점수와 소량의 인간 금표준 레이블을 텐서 분해를 통해 결합하여, 인간 선호도를 더 정확하게 예측하고 신뢰구간을 제공하는 효율적인 생성 모델 평가 프레임워크를 제안합니다.
이 논문은 개별 에이전트나 인간 전문가가 가진 분산된 인과 지식을 대규모 크라우드소싱, 전문가 의견 통합, 그리고 대규모 언어 모델 시뮬레이션을 통해 종합하여 단일 주체로는 달성할 수 없는 전역 인과 구조를 복원하는 새로운 패러다임을 제안합니다.
이 논문은 2018 년 McInnes 등이 제안한 차원 축소 알고리즘 UMAP 의 이론적 기반이 된 Spivak 의 미분 실현 (metric realization) 관련 원고에 존재하는 오류들을 수정하고, 해당 함자 (functors) 와 UMAP 알고리즘의 유한 변형에 대한 완전한 유도 과정을 제시합니다.
이 논문은 질적 속성 데이터의 내재적 군집 분포를 효과적으로 포착하기 위해 속성 값 간의 국소적 순서 관계를 트리 구조로 표현하고, 이를 군집화 작업에 최적화된 학습된 포레스트로 변환하는 결합 학습 메커니즘을 제안하여 기존 방법들보다 우수한 성능을 입증합니다.
이 논문은 편향 - 분산 분석과 분할 기법을 통합하여 커널 기반 경사 하강법의 반복 횟수를 정량화하는 경험적 유효 차원 개념을 도입하고, 이를 통해 다양한 커널과 타겟 함수에 적응하며 최적의 일반화 오차 한계를 달성하는 새로운 적응형 매개변수 선택 전략을 제안합니다.
이 논문은 KL 발산의 극한을 회복하고 분산 및 꼬리 민감도를 가진 새로운 자유 에너지 함수인 'Surprisal-Rényi Free Energy(SRFE)'를 도입하여, 학습과 추론에서 나타나는 서로 다른 유인 편향을 설명하고 평균 - 분산 트레이드오프 및 최소 설명 길이 (MDL) 해석을 제공하는 새로운 이론적 틀을 제시합니다.
이 논문은 단일 관찰 및 간섭 regimes 에서 알려지지 않은 부드러운 간섭을 처리하여 확장 가능한 인과적 발견을 가능하게 하는 새로운 모델을 제안하고, 이론적 증명과 실험을 통해 기존 방법보다 향상된 인과 구조 복원 성능과 일반화 능력을 입증합니다.
이 논문은 지연된 상태 관측이 있는 온라인 강화학습 문제를 다루며, 증강 방법과 상한 신뢰구간 (UCB) 접근법을 결합한 알고리즘을 제안하고, 이를 통해 최적의 후회 하한을 달성하는 것을 증명합니다.
이 논문은 신경망의 지각 매니폴드 차원이 인간 개념보다 훨씬 커서 발생하는 기하학적 불일치가 적대적 예시의 근본 원인이며, 이를 해결하기 위해서는 기계와 인간의 차원 정렬이 필수적임을 18 개의 네트워크 실험을 통해 증명합니다.
이 논문은 혼합 가우시안 잠재 사전 분포와 데이터 유형별 디코더를 결합하여 관측 데이터의 분포적 현실성을 유지하면서도 중첩, 교란, 치료 효과 이질성 등 인과적 매개변수를 정밀하게 제어할 수 있는 생성형 프레임워크 'CausalMix'를 제안하고, 이를 통해 인과 추론 방법론 검증 및 연구 설계의 실용성을 입증합니다.
이 논문은 대수적 재조합을 통한 목적 함수의 재구성이 무작위 샘플링 기반의 '어떤 알고리즘도 모든 문제에 대해 우월하지 않다'는 NFL 정리의 전제를 위반하여 알고리즘 성능 순위와 군집 구조에 통계적으로 유의미한 변화를 일으킨다는 것을 실증적으로 규명합니다.
이 논문은 커널 근사 기법과 RKHS 이론을 활용하여 훈련 데이터 분포를 벗어난 함수와 그 미분값까지 정확하게 처리할 수 있는 신경 연산자 확장 프레임워크를 제안하고, 타원형 편미분방정식 해를 통해 이를 검증했습니다.
이 논문은 리만 다양체 상의 확률 미분 방정식에 대한 기하학적 오일러 - 마루야마 스킴의 강수렴성을 1/2 차수로 증명하고, 이를 리만 랭지브 역학의 샘플링에 적용하여 와세르슈타인 거리를 유도합니다.
이 논문은 유계 지지점을 가진 q-가우시안 분포에 대한 새로운 스타인 항등식을 유도하고 에스코트 분포를 활용하여 이를 단순화함으로써, 기존 가우시안과 유사한 형태의 효율적인 그래디언트 추정기를 제안하고 베이지안 딥러닝 및 샤프니스 인식 최소화에 적용 가능성을 제시합니다.
이 논문은 자연어 이미지와 같은 내재적 저차원 구조를 가진 데이터에 대해 스코어 매칭 확산 모델이 유한 샘플에서 Wasserstein- 거리로 측정된 수렴 속도가 내재 차원에 의존하여 차원의 저주를 극복함을 증명하고, 이를 GAN 및 최적 수송 이론과 연결하는 새로운 통계적 이론을 제시합니다.
이 논문은 보상 정보 없이 학습자의 행동 데이터만으로 최적 정책을 복원하기 위해, 탐색에서 활용으로 전환되는 비정상적 데이터를 처리하는 '두 단계 접미사 모방 (Two-Phase Suffix Imitation)' 프레임워크를 제안하며, 이를 통해 보상 정보를 가진 학습자와 동등한 수렴 속도를 달성할 수 있음을 증명합니다.
이 논문은 관찰 데이터를 사전 지식으로 활용하여 편향 보정 잔차에 집중하는 'Active Residual Learning' 패러다임과 R-Design 프레임워크를 제안함으로써, 기존 무작위 대조 시험 (RCT) 보다 훨씬 효율적으로 인과 효과를 추정할 수 있음을 이론적 분석과 실험을 통해 입증합니다.