Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion
이 논문은 과립 구체 (Granular Ball) 기반의 불완전 사전 지식을 도입하여 소량의 데이터로도 다양한 이미지 퓨전 작업에서 뛰어난 성능과 경량화를 달성하는 새로운 심층 퓨전 방법론을 제안합니다.
📊 Category
stat.ML
329 편의 논문
Offline Dynamic Inventory and Pricing Strategy: Addressing Censored and Dependent Demand
이 논문은 과거 수요에 의존하고 재고 부족으로 인해 판매 데이터가 검열 (censored) 되는 동적 재고 및 가격 결정 문제를 해결하기 위해, 검열된 의존적 수요 환경에서 최적 정책을 학습하는 새로운 데이터 기반 알고리즘을 제안하고 그 성능을 이론적 및 실험적으로 검증합니다.
Panda: A pretrained forecast model for chaotic dynamics
이 논문은 진화 알고리즘으로 생성된 2 만 개의 카오스 동역학 시스템으로 학습된 사전 훈련 모델 'Panda'를 소개하며, 이 모델이 저차원 상미분방정식 훈련 데이터만으로도 고차원 편미분방정식 및 실제 실험 데이터에 대한 제로샷 예측 능력을 포함한 다양한 emergent 특성을 보인다고 설명합니다.
Two-sample comparison through additive tree models for density ratios
이 논문은 새로운 균형 손실 함수를 도입하여 두 분포의 밀도 비율을 추정하는 가법 트리 모델을 제안하고, 이를 통해 효율적인 학습과 베이지안 불확실성 정량화를 가능하게 하며, 특히 미생물군집 데이터와 같은 고차원 데이터에서 생성 모델의 품질 평가에 효과적임을 입증합니다.
Tensor Train Completion from Fiberwise Observations Along a Single Mode
이 논문은 특정 모드 방향으로의 섬유 (fiber) 단위가 완전히 관측되거나 결측된 텐트 데이터에 대해, 확률적 가정이 아닌 결정론적 조건 하에서 표준 선형대수 연산만으로 텐서 트레인 분해를 수행하여 빠르고 효율적으로 텐서를 복원하는 새로운 방법을 제안합니다.
Absolute indices for determining compactness, separability and number of clusters
이 논문은 기존 상대적 지수의 한계를 극복하고 데이터 구조에 의존하지 않는 새로운 절대적 군집 지수를 제안하여 군집의 응집도와 분리도를 정량화하고 최적의 군집 수를 결정하는 방법을 제시합니다.
Maximum Risk Minimization with Random Forests
이 논문은 다양한 환경에서 최대 리스크를 최소화하는 원칙 (MaxRM) 을 기반으로 한 랜덤 포레스트 변형 알고리즘을 제안하고, 효율적인 계산 방법과 통계적 일관성을 증명하며 MSE, 보상, 후회 (regret) 등 세 가지 리스크 지표에 적용 가능한 것을 보여줍니다.
The Bayesian Geometry of Transformer Attention
이 논문은 '베이즈 풍동'이라는 통제된 환경을 통해 트랜스포머가 주어진 컨텍스트에서 베이즈 추론을 수행하며, 이는 잔류 스트림, 피드포워드 네트워크, 어텐션 메커니즘이 각각 믿음의 기반, 사후 확률 업데이트, 콘텐츠 기반 라우팅을 담당하는 기하학적 구조로 구현됨을 입증합니다.
Gradient Dynamics of Attention: How Cross-Entropy Sculpts Bayesian Manifolds
이 논문은 교차 엔트로피 손실 함수를 통한 그래디언트 학습이 어텐션 점수와 값 벡터의 공진화적 특화를 유도하여 베이지안 매니폴드를 조각내며, 이것이 컨텍스트 내 확률적 추론을 가능하게 하는 기하학적 구조를 형성한다는 메커니즘을 분석합니다.
Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs
이 논문은 선형 확률 보간체에서 유도된 확률 흐름 ODE 를 기반으로 랑주빈 샘플러를 사용하여 중간 시간 단계의 분포에서 샘플을 생성하고 속도장을 추정함으로써, 비정규화 볼츠만 분포로부터의 효율적인 샘플링과 베이지안 추론을 가능하게 하는 새로운 방법을 제안하고 이론적 수렴 보장을 제공합니다.
Transfer learning for functional linear regression via control variates
이 논문은 프라이버시 제한 환경에서도 적용 가능한 제어변량 기반 전이학습 추정량을 개발하여 기능적 선형 회귀 분석의 성능을 향상시키고, 기존 오프셋 전이학습과의 이론적 연결고리를 규명하며 이산 관측으로 인한 평활화 오차를 고려한 수렴 속도를 제시합니다.
Error Analysis of Bayesian Inverse Problems with Generative Priors
이 논문은 생성 모델을 사전 정보로 활용하는 베이지안 역문제에 대해 최소 워asser-2 생성 모델에 대한 정량적 오차 한계를 제시하고, 사후분포의 오차가 워asser-1 거리에 대해 사전 모델의 오차와 동일한 수렴 속도를 가진다는 것을 이론적으로 증명하며 수치 실험을 통해 검증합니다.
Time series forecasting with Hahn Kolmogorov-Arnold networks
이 논문은 Hahn 다항식 기반의 학습 가능한 활성화 함수를 활용한 KAN(Kolmogorov-Arnold Networks) 구조인 HaKAN 을 제안하여, 기존 트랜스포머와 MLP 기반 모델의 한계를 극복하고 다변량 시계열 예측에서 뛰어난 성능과 해석 가능성을 입증했습니다.
Singular Bayesian Neural Networks
이 논문은 가중치 행렬의 특이값 감소를 활용하여 저랭크 행렬로 파라미터를 표현하는 '특이 베이지안 신경망'을 제안함으로써, 기존 평균장 근사 대비 파라미터 수를 획기적으로 줄이면서도 OOD 검출 및 보정 성능을 향상시키고 Deep Ensemble 과 경쟁력 있는 예측 성능을 달성하는 방법을 제시합니다.
Emergence of Distortions in High-Dimensional Guided Diffusion Models
이 논문은 고차원 가이드드 확산 모델에서 클래스 수가 지수적으로 증가할 때 발생하는 생성 왜곡 현상을 통계물리학적 접근으로 분석하고, 분산 축소 문제를 해결하면서도 클래스 분리를 유지할 수 있는 음수 가이드 윈도우를 포함한 새로운 이론적 가이드 스케줄을 제안합니다.
Universality of General Spiked Tensor Models
이 논문은 유한 4 차 모멘트를 가진 일반 잡음 하에서도 가우시안 잡음과 동일한 점근적 스펙트럼 분포 및 통계적 한계를 보인다는 사실을 증명하여 비대칭 스파이크 텐서 모델의 보편성 원리를 확립합니다.
Online LLM watermark detection via e-processes
이 논문은 LLM 워터마크 검출을 위한 시계열적 가설 검정 프레임워크를 제안하여, e-process 를 기반으로 한 적응적 검정 방법을 개발하고 이론적 성능과 실험적 우수성을 입증합니다.
Rethinking Adam for Time Series Forecasting: A Simple Heuristic to Improve Optimization under Distribution Shifts
이 논문은 비정상성 시계열 데이터의 분포 변화에 더 민첩하게 대응하기 위해 Adam 옵티마이저의 2 차 보정 계산을 제거한 경량 변형인 TS_Adam 을 제안하며, 이를 통해 다양한 예측 작업에서 MSE 와 MAE 를 유의미하게 감소시키는 것을 입증합니다.
Stability and Robustness via Regularization: Bandit Inference via Regularized Stochastic Mirror Descent
이 논문은 스토캐스틱 미러 디센트 프레임워크를 기반으로 한 정규화 EXP3 알고리즘이 적응적 샘플링 환경에서도 안정적인 추론을 가능하게 하면서 동시에 최적의 후회 (regret) 보장을 제공하고, 적대적 오염에 대한 강인성까지 갖춘다는 것을 증명합니다.
SDSR: A Spectral Divide-and-Conquer Approach for Species Tree Reconstruction
이 논문은 스펙트럼 그래프 이론에 기반한 분할 정복 알고리즘인 SDSR 을 제안하여, 다중 유전자 마커 데이터를 이용한 대규모 종 계통수 재구성 시 계산 효율성을 10 배 이상 향상시키면서도 기존 방법과 동등한 정확도를 유지함을 보여줍니다.