Multi-view biclustering via non-negative matrix tri-factorisation
이 논문은 다양한 뷰의 데이터에서 사전 지식 없이도 중첩되거나 비포괄적인 바이클러스터를 식별할 수 있는 'ResNMTF'라는 새로운 비음수 행렬 삼분해 기반 다중 뷰 바이클러스터링 방법을 제안하고, 이를 평가하기 위해 실루엣 점수를 확장한 '비스실루엣 점수'를 도입했습니다.
📊 Category
stat
260 편의 논문
Robust Covariate Adjustment in Multi-Center Randomized Trials
이 논문은 다중 센터 무작위 대조 시험에서 센터 간 상관관계를 무시할 때 발생하는 추정 오류를 해결하고, 반모수적 효율 추정량과 새로운 추론 프레임워크를 통해 평균 치료 효과 및 반사실적 평균의 추정 정확도와 검정력을 향상시키는 방법을 제안합니다.
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.
Measuring capacities in multimodal maritime port systems with anchorage queues
이 논문은 항만 운영 능력과 극한 능력을 구분하여 추정하는 새로운 프레임워크를 제시하고, 휴스턴 항을 사례로 적용하여 운영 능력은 약 0.9 척/시간, 극한 능력은 약 1.4 척/시간으로 추정하며, 안정적 조건에서는 액체 벌크 터미널이, 교란 후에는 파일럿 가용성이 주요 병목 요인임을 규명했습니다.
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.
Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict
이 논문은 고도화된 불확실성을 가진 무력 충돌 사망자 수 예측의 한계를 극복하기 위해, 트리 기반 앙상블과 분포 회귀를 결합한 자동화 머신러닝 방식을 통해 점 예측에서 전체 예측 분포 추정으로 전환하고 지역별 모델 통합을 통해 예측 정확도를 입증했습니다.
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.
A systematic assessment of Large Language Models for constructing two-level fractional factorial designs
본 논문은 GPT 와 Gemini 와 같은 대형 언어 모델이 8, 16, 32 회 실험 및 최대 8 개 요인까지의 2 수준 분획 요인 설계에서 최적의 설계 (해결도 및 최소 이상성 기준) 를 효과적으로 생성할 수 있음을 체계적으로 평가하여 입증합니다.
A Bayesian likely responder approach for the analysis of randomized controlled trials
이 논문은 모델 추정 불확실성을 고려하여 하위 그룹 식별과 치료 효과 추정을 통합한 베이지안 2 단계 접근법을 제안하고, 이를 시뮬레이션과 COVID-19 임상 시험 데이터에 적용하여 기존 방법보다 잘 보정된 신뢰구간을 제공함을 입증합니다.
Information-Theoretic Thresholds for Bipartite Latent-Space Graphs under Noisy Observations
이 논문은 노이즈가 있는 이분형 잠재 공간 그래프에서 잠재 기하 구조의 검출 가능성을 분석하여, 마스크의 유무에 따른 정보 이론적 임계값을 규명하고 새로운 푸리에 분석 기법을 통해 계산적 - 통계적 격차가 존재하지 않음을 증명합니다.
High-dimensional Laplace asymptotics up to the concentration threshold
이 논문은 차원 와 매개변수 가 모두 큰 고차원 환경에서 가우스 근사 영역을 넘어 농도 임계값 직전까지 유효한 라플라스 적분의 점근적 전개와 이를 활용한 기대값 근사 및 표본 추출 기법을 제시합니다.
Randomized Kriging Believer for Parallel Bayesian Optimization with Regret Bounds
이 논문은 기존 병렬 베이지안 최적화 방법들의 한계를 극복하고 낮은 계산 복잡성과 이론적 후회 한계 보장을 동시에 제공하는 '랜덤화 크리깅 벨리버 (Randomized Kriging Believer)' 알고리즘을 제안하고 실험을 통해 그 유효성을 입증합니다.
LLY Ricci Reweighting in Stochastic Block Models: Uniform Curvature Concentration and Finite-Horizon Tracking
이 논문은 균형 잡힌 두 블록 확률적 블록 모델에서 리치 곡률을 기반으로 한 엣지 가중치 재조정 기법이 커뮤니티 복원 성능을 향상시키고, 이를 통해 스펙트럼 클러스터링의 고유값 간격을 확대하며 유한 시간 구간에서의 반복 과정을 결정론적 재귀로 추적할 수 있음을 증명합니다.
Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models
이 논문은 상태 기반 의사난수 생성기가 시뮬레이션 실행 경로에 따라 무작위 입력의 인과적 일관성을 해친다는 문제를 지적하고, 사건 식별자와 결합된 카운터 기반 생성기를 사용하여 대조군 시뮬레이션의 인과적 타당성을 회복하는 방법을 제안합니다.
Partition-Based Functional Ridge Regression for High-Dimensional Data
이 논문은 고차원 기능적 선형 모델의 다중공선성, 과적합 및 해석성 문제를 해결하기 위해 계수 함수를 주효과와 약한 효과로 분할하여 차등 리지 패널을 적용하는 새로운 프레임워크를 제안하고, 이를 통해 추정량의 일관성과 점근적 정규성을 증명하며 예측 성능을 향상시킨다는 결과를 보여줍니다.
Co-Diffusion: An Affinity-Aware Two-Stage Latent Diffusion Framework for Generalizable Drug-Target Affinity Prediction
이 논문은 희소 레이블과 도메인 편이로 인한 표현 붕괴 문제를 해결하고, 약물-표적 친화도 예측의 일반화 능력을 획기적으로 향상시키기 위해 친화도 지향 잠재 매니폴드 정렬과 확률적 확산 정규화를 결합한 새로운 2 단계 프레임워크 'Co-Diffusion'을 제안합니다.