40 papers
Deze paper introduceert parallelle algoritmen voor het simuleren van Metropolis-Markovketens op basis van Picard-afbeeldingen, die de convergentie van gradient-vrije steekproefnemen naar log-concave verdelingen versnellen met een factor en succesvol worden toegepast op complexe problemen zoals hoge-dimensionale regressie en precisiegeneeskunde.
Dit paper introduceert Bayesian Generative Modeling (BGM), een unificerend AI-framework dat via een stochastisch iteratief Bayesiaans update-algoritme een enkel generatief model leert voor willekeurige conditionele inferentie met principieel onzekerheidskwantificering, zonder dat hertraining nodig is voor verschillende conditioneringsstructuren.
Deze paper introduceert een nieuwe methode voor het bemonsteren van discrete verdelingen met behulp van temporale puntprocessen die, door hun momentum-achtige dynamiek, efficiënter presteren dan bestaande geboorte-sterfteprocessen en Zanella-processen, en die bovendien toepasbaar zijn op biologisch plausibele recurrente neurale netwerken.
Dit paper introduceert BNEM, een geavanceerde Boltzmann-sampler die op basis van bootstrapping en noised energy matching neural networks traint om energie-functies te leren voor het genereren van robuuste en state-of-the-art onafhankelijke steekproeven zonder vooraf bestaande data.
Dit paper introduceert een nieuw algoritme dat de berekening van post-hoc grenzen voor de False Discovery Proportion over een pad van hypotheses versnelt van naar door gebruik te maken van de boomstructuur van de referentiefamilie.
Dit paper introduceert StablePCA, een distributioneel robuust raamwerk voor het leren van gedeelde representaties uit multi-bron data, waarbij een convex relaxatie en een efficiënt Mirror-Prox-algoritme worden ontwikkeld om de uitdagingen van de niet-convexe rangbeperking te overwinnen met gegarandeerde convergentie.
Dit onderzoek toont aan dat circadiane ritmen in het suprachiasmatische nucleus-netwerk robuust blijven bij schaalverandering, omdat de gemiddelde graad van connectiviteit en niet de netwerkgrootte of clustering de stabiliteit van de oscillaties bepaalt.
Dit artikel bewijst de unieke bepaling van lineaire en niet-lineaire coëfficiënten in de semilineaire Helmholtz-vergelijking aan de hand van randmetingen via een hogere-orde linearisatiebenadering en presenteert een numeriek reconstructieframework binnen een Bayesiaanse inferentiecontext.
Dit artikel bewijst dat Metropolis-Hastings-algoritmen met een niet-geometrisch ergodische voorstelverdeling en een acceptatiekans die naar één convergeert, eveneens niet geometrisch ergodisch zijn, en analyseert vervolgens hoe de convergentiesnelheid van random walk versus guided walk algoritmen afhangt van de staartgedragingen van de doelprioriteit.
Deze paper introduceert TV-Select, een geünificeerd raamwerk dat variabele selectie en het onderscheid tussen constante en tijdvariërende effecten combineert via dubbele straffing, waardoor de modelkwaliteit en voorspellende prestaties bij longitudinale data verbeteren.
Dit artikel rapporteert de eerste realisatie van een fractionele topologische fase met gebroken windinggetallen en robuuste randtoestanden in een volledig unitaire, niet-interagerende discrete-tijd kwantumwandeling op eindige cyclische grafieken, waarbij gebruik wordt gemaakt van een enkel-munt split-step protocol om platte banden en ongebruikelijke bulk-grens-correspondenties te genereren die bestand zijn tegen stoornissen.
Deze paper introduceert Momentum SVGD-EM, een versnelde variant van het Expectation-Maximisation-algoritme voor maximum marginale likelihood-schatting die Nesterov-versnelling toepast op zowel de parameterupdates als de ruimte van waarschijnlijkheidsmaatregelen om de convergentie in diverse taken te verbeteren.
Dit artikel introduceert twee robuuste criteria en een sampling-based difference-of-convex algoritme voor het leren van optimale behandelingsregels bij gecensureerde overlevingsdata, met als doel de afgeknotte gemiddelde overlevingstijd en bufferde overlevingskansen te maximaliseren.
Dit paper introduceert CLIQUE, een model-onafhankelijke methode voor lokale variabele belangrijkheid die beter in staat is om lokale afhankelijkheden en interacties in multiclass-classificatieproblemen vast te leggen dan bestaande technieken zoals LIME en SHAP.
Deze paper introduceert NETCROP, een efficiënte en nauwkeurige methode voor cross-validatie en modelselectie in complexe netwerken door het gebruik van overlappende subnetwerken.
Dit artikel introduceert een adaptief algoritme dat de rekenkracht optimaal verdeelt tussen het schatten van orakelstatistieken en het construeren van een multi-fidelity Monte Carlo-schatter, waardoor de computatiekosten worden verlaagd terwijl de nauwkeurigheid behouden blijft.
Deze paper introduceert een methode voor tweestalenvergelijking via additieve boommodellen voor het schatten van dichtheidsverhoudingen, die gebruikmaken van een nieuwe 'balancing loss' voor efficiënte training en Bayesiaanse inferentie met onzekerheidskwantificering.
Dit artikel introduceert een snelle methode voor het voltooien van tensores met 'fiber-wise' waarnemingen langs één modus, waarbij de tensor-train decompositie uitsluitend met standaard lineaire algebra wordt berekend onder deterministische voorwaarden.
Dit artikel onderzoekt hoe optimale twee-blok-partities Markov-ketens kunnen versnellen door de menging te maximaliseren via Kullback-Leibler-divergentie en Frobenius-afstand, en stelt hiervoor efficiënte algoritmische benaderingen voor in plaats van exhaustieve zoekopdrachten.
Dit paper introduceert Gimbal Regression, een deterministisch en geometrisch bewust lokaal regressiemodel dat numerieke instabiliteit in ruimtelijke heterogeniteit oplost door richtingsgewichten te construeren via expliciete oriëntatieobjecten en een gesloten-vorm oplossing.