Fréchet regression of multivariate distributions with nonparanormal transport
이 논문은 다변량 분포 응답과 유클리드 예측 변수 간의 회귀 문제를 해결하기 위해, 비파라노멀 운송 (NPT) 거리를 프레셰 회귀 프레임워크에 통합하여 차원의 저주를 완화하고 효율적인 추정과 해석을 가능하게 하는 새로운 방법론을 제안하고 이론적 근거와 실증적 유효성을 입증합니다.
📊 Category
stat.ML
329 편의 논문
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
이 논문은 복잡한 시공간적 상호작용과 불확실성을 고려하여 전염병 발생을 확률적으로 예측하기 위해, 내생적 불확실성 정량화와 기하학적 에르고딕성을 보장하는 경량 딥 생성 기반 시공간 회귀 (Deep Generative Spatiotemporal Regression) 프레임워크를 제안하고, 다양한 역학 데이터셋에서 기존 방법론보다 우수한 성능을 입증합니다.
Combining Adam and its Inverse Counterpart to Enhance Generalization of Deep Learning Optimizers
이 논문은 Adam 의 일반화 성능 한계를 극복하기 위해 역방향 업데이트 메커니즘을 도입한 'InvAdam'과 이를 Adam 과 결합하여 수렴성과 일반화 성능을 동시에 향상시킨 'DualAdam'을 제안하고, 확산 이론을 통해 그 이론적 근거를 입증하며 다양한 실험을 통해 Adam 과 기존 최첨단 옵티마이저보다 우수한 성능을 보임을 입증했습니다.
Making LLMs Optimize Multi-Scenario CUDA Kernels Like Experts
이 논문은 다양한 시나리오를 포괄하는 벤치마크 'MSKernelBench'를 제안하고, 이를 기반으로 프로파일링 정보를 활용하여 cuBLAS 등 상용 라이브러리와 경쟁할 수 있는 수준의 성능 개선을 이루는 다중 에이전트 자동 CUDA 커널 최적화 시스템 'CUDAMaster'를 소개합니다.
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
이 논문은 심층 조건부 변환 모델 (DCTM) 과 크로스 피팅을 활용하여 연속 및 이산 순서형 결과 변수에 대해 조건부 순위-순위 회귀 (CRRR) 를 개선하고, 이를 통해 미국 소득과 인도 교육 이동성 분석에서 그룹 내 이동성을 정밀하게 측정하는 새로운 방법론을 제시합니다.
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
이 논문은 외부 제약 조건을 따르는 단일 단계 조건부 생성 및 역문제 해결을 위해, 샘플링 경로를 안내하는 대신 관찰 데이터에 부합하는 초기 노이즈 분포를 학습하는 '변분 흐름 맵 (Variational Flow Maps)' 프레임워크를 제안합니다.
Adversarial Latent-State Training for Robust Policies in Partially Observable Domains
이 논문은 부분 관측 가능 환경에서 잠재 초기 상태 분포의 적대적 선택을 다루기 위한 이론적 프레임워크를 제시하고, 배틀십 벤치마크를 통해 표적화된 적대적 노출이 최악의 취약점을 효과적으로 완화하여 강건한 정책을 학습할 수 있음을 증명합니다.
A Distributed Gaussian Process Model for Multi-Robot Mapping
이 논문은 국소 경험과 계산만을 활용하여 전역 함수를 학습하는 분산 가우시안 프로세스 모델 'DistGP'를 제안하며, 이는 기존 트리 구조 GP 나 분산 신경망 최적화기보다 우수한 정확도와 동적 연결성 환경에서의 견고성을 보입니다.
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
이 논문은 부분 관측 및 고차원 데이터에서 누적 비용을 예측하여 잠재 상태 공간의 동역학 모델을 학습하는 비용 주도 표현 학습을 통해 무한 시간 선형 2 차 가우시안 (LQG) 제어에 대한 유한 샘플 보장과 함께 명시적 및 암시적 (MuZero 유사) 두 가지 접근법을 제시합니다.
Probabilistic Inference and Learning with Stein's Method
이 논문은 스타인 (Stein) 방법을 활용한 확률적 추론과 학습의 이론적·방법론적 측면을 엄밀하게 개괄하며, 스타인 연산자와 스타인 집합을 기반으로 한 스타인 불일치 (discrepancy) 의 구성법과 그 성질, 그리고 스타인 변분 경사 하강법과의 연관성을 체계적으로 다룹니다.
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
이 논문은 데이터 분할 없이 차분 프라이버시에서 유도된 안정성을 활용하여 유효 표본 크기를 유지하면서도 점진적으로 명목 커버리지 수준을 회복하는 전체 데이터 기반의 프라이버시 보호 컨포멀 예측 프레임워크를 제안합니다.
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
이 논문은 복잡한 시계열 의존성과 교차-sectional 구조의 진화를 고려하여, 예측 불일치와 재구성 저하 등을 통합한 해석 가능한 생성 모델 ReGEN-TAD 를 제안함으로써 레이블이 없는 고차원 금융 시계열 데이터의 이상 탐지 및 경제적 요인 귀속을 가능하게 합니다.
Reject, Resample, Repeat: Understanding Parallel Reasoning in Language Model Inference
이 논문은 입자 필터링 (Sequential Monte Carlo) 알고리즘의 렌즈를 통해 언어 모델 추론 시 다중 샘플을 집계하고 가지치기하는 방법의 정확도 - 비용 트레이드오프를 이론적으로 분석하고 실험적으로 검증하여, 샘플링 오차를 설명하는 기준을 제시하지만 최종 정확도에는 한계가 있음을 밝힙니다.
Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids
이 논문은 몬테카를로 드롭아웃, 변분 피드포워드 레이어, 확률적 어텐션 메커니즘을 PatchTST 백본에 통합한 베이지안 트랜스포머 (BT) 를 제안하여, 기존 심층 학습 모델이 극단적인 기상 변화에서 겪는 과도한 자신감 문제를 해결하고 스마트 그리드의 부하 예측 불확실성을 정교하게 추정하는 새로운 기준을 제시합니다.
Robust Transfer Learning with Side Information
이 논문은 소스 및 타겟 도메인 간의 동적 특성에 대한 사이드 정보를 통합하여 제약 조건을 가진 추정을 통해 추정 중심의 불확실성 집합을 구축함으로써, 환경 변화 하에서 과도한 보수성을 완화하고 표본 효율성을 향상시킨 강건한 전이 학습 프레임워크를 제안합니다.
RL unknotter, hard unknots and unknotting number
이 논문은 강화 학습을 활용하여 복잡한 매듭 다이어그램을 단순화하는 파이프라인을 개발하고, 이를 통해 매우 어려운 매듭과 $4_1\#9_{10}$ 매듭의 unknotting number 상한을 3 으로 재확인한 연구 결과를 제시합니다.
Local Constrained Bayesian Optimization
이 논문은 고차원 제약 조건 하에서 차원의 저주를 극복하고 기존 전역 베이지안 최적화보다 다항식적으로 우수한 수렴 속도를 보장하는 새로운 프레임워크인 '국소 제약 베이지안 최적화 (LCBO)'를 제안하고, 100 차원 이상의 벤치마크에서 최첨단 기법들을 능가하는 성능을 입증합니다.
Amortizing Maximum Inner Product Search with Learned Support Functions
이 논문은 최대 내적 검색 (MIPS) 문제를 학습 기반 접근법인 'Amortized MIPS'로 해결하여, 쿼리 분포에 맞춰 신경망을 훈련함으로써 검색 비용을 상쇄하고 데이터베이스를 압축할 수 있음을 제안합니다.
Explainable Condition Monitoring via Probabilistic Anomaly Detection Applied to Helicopter Transmissions
이 논문은 헬리콥터 기어박스 등 안전이 중요한 시스템의 상태 감시를 위해 정상 데이터만을 기반으로 확률적 이상 탐지, 불확실성 정량화 및 해석 가능성을 결합한 새로운 방법론을 제안하고 실험을 통해 검증합니다.
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
이 논문은 장기 시계열 예측 분야에서 MSE 나 MAE 와 같은 단일 점수 기반의 평가 관행이 실제 응용 목표와 구조적으로 불일치할 수 있음을 지적하고, 통계적 충실도, 구조적 일관성, 의사결정 관련성을 통합한 다차원 평가 프레임워크를 제안하여 벤치마크 순위 경쟁에서 의미 있는 예측 기술 발전으로의 전환을 촉구합니다.