303 papers
Deze paper presenteert een onbewaakte prognostiekframework dat ongelabelde data gebruikt om verborgen faalmodi te identificeren en informatieve sensoren te selecteren, waardoor de nauwkeurigheid van de voorspelling van de resterende levensduur voor autonome diep-ruimte habitats wordt verbeterd.
Dit paper introduceert de Feature Importance Rescaling (FIR)-methode, die de betrouwbaarheid van clustervalidatie in ruisrijke Gaussische mengsels verbetert door de bijdrage van ruisfeatures te verminderen, waardoor de correlatie met de grondwaarheid toeneemt.
Dit paper pleit vanuit een consequentiaalistisch perspectief voor het gebruik van proper scoring rules in plaats van binaire classificatiemetrics, onderbouwd met een theoretisch kader, een empirische analyse van huidige praktijken en de introductie van het Python-pakket `briertools` om deze aanpak toegankelijker te maken.
Deze paper introduceert twee nieuwe modelvrije algoritmen, Q-EarlySettled-LowCost en FedQ-EarlySettled-LowCost, die voor het eerst tegelijkertijd bijna-optimale regret, lineaire opstartkosten en logaritmische schakel- of communicatiekosten bereiken in single-agent en federatief versterkend leren.
Dit paper introduceert het MIC-model, een methode op basis van gemengde tijdsgebonden processen die gezamenlijke interacties tussen gebruikers en informatie-cascades in sociale netwerken modelleert en hiermee superieure prestaties en inzichten biedt ten opzichte van bestaande methoden.
Dit artikel bewijst dat een variant van Iteratively Reweighted Least Squares (IRLS) met dynamische regularisatie onder deterministische voorwaarden lineair convergeert naar de onderliggende deelruimte, waarmee voor het eerst globale convergentie wordt gegarandeerd voor IRLS in robuuste subspace recovery en niet-convexe optimalisatie op Riemanniaanse variëteiten.
Dit artikel onderzoekt Monte Carlo-methode met repulsieve punten voor het berekenen van integraalwaarden op de eenheidsbol, met name voor de gesneden Wasserstein-afstand, en concludeert dat UnifOrtho de beste keuze is voor hoge dimensies terwijl randomized quasi-Monte Carlo in lage dimensies superieur is.
Dit paper introduceert AffPCL, een nieuw raamwerk voor gepersonaliseerd collaboratief leren dat heterogene agenten in staat stelt om hun sample complexiteit te reduceren door een adaptieve, affiniteitsgebaseerde variance-reductie die naadloos varieert tussen lineaire versnelling bij homogeniteit en onafhankelijk leren bij hoge heterogeniteit.
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 robuust raamwerk voor assortimentsoptimalisatie dat rekening houdt met mogelijke verschuivingen in klantvoorkeuren en modelonjuistheden, waarbij statistisch optimale algoritmen worden ontwikkeld om de steekproefcomplexiteit te minimaliseren en gegarandeerde generalisatie te bieden onder onzekerheid.
Deze studie toont aan dat voor niet-rechthoekige robuuste Markov-beslissingsprocessen met gemiddelde beloning, elk beleid met sublineaire regret robuust optimaal is zonder de gebruikelijke rechthoekigheidsvoorwaarde, en introduceert een nieuw kader voor het analyseren van en verbeteren van de tijdelijke prestaties via een epoch-gebaseerd beleid.
Deze studie introduceert een Physics-Informed Neural Network (PINN)-framework dat robuust biophysieke parameters en verborgen toestandsvariabelen kan reconstrueren uit gedeeltelijke en ruisbeïnvloede waarnemingen in multischaal neuronale systemen, waarbij het de beperkingen van traditionele numerieke methoden overwint.
Dit paper introduceert het VI 2D SSM, een nieuw architecturaal kader voor multivariate tijdreeksen dat de inherente permutatie-symmetrie respecteert door variabele-afhankelijkheden te vervangen door een canonieke vorm van lokale zelfdynamiek en globale interactie, wat leidt tot state-of-the-art prestaties en verbeterde schaalbaarheid.
Dit artikel toont aan dat er geen verificatieprocedure bestaat die tegelijkertijd geluid, algemeen en wiskundig haalbaar is, waardoor er een fundamenteel dilemma bestaat bij het formeel certificeren van AI-uitlijning.
Het artikel introduceert Midicoth, een verliesloos compressiesysteem dat de prestaties van adaptieve statistische modellen verbetert door een lichtgewicht micro-diffusie-laag toe te passen die voorspelde kansen corrigeert via een binaire boom-structuur en empirische kalibratie.
Dit artikel introduceert een efficiënt multi-level meta-versterkingsleerframework dat Markov-beslissingsprocessen hiërarchisch comprimeert en een vaardigheidsgebaseerd curriculum leert om complexe taken te ontleden, de zoekruimte te reduceren en overdracht van vaardigheden tussen verschillende problemen en niveaus te bevorderen.
Dit artikel introduceert het Temporal Markov Transition Field (TMTF), een uitbreiding van de bestaande Markov Transition Field-methode die tijdsreeksen in afbeeldingen omzet door lokale overgangsmatrices voor tijdssegmenten te gebruiken in plaats van één globale matrix, waardoor veranderingen in dynamische regimes in de tijd behouden blijven voor effectievere analyse met convolutionele neurale netwerken.
Deze paper introduceert Transfer-Informed Betting, een nieuwe methode voor selectieve voorspelling die bestaande onzekerheidskaders combineert met domeinoverdracht om in data-schaarse situaties sterkere risicogaranties te bieden dan traditionele methoden.
Dit artikel introduceert een meetkundig raamwerk dat aantoont dat de voornaamste vertekening in variatie-inferentie wordt veroorzaakt door functionals die orthogonaal staan op de raakruimte van de variatiefamilie, wat de systematische vervorming van kruisblokkafhankelijkheden bij mean-field benaderingen verklaart.
Dit artikel introduceert ULFS-KDPE, een schatter op basis van een universeel minst gunstig submodel in een reproducerende kern-Hilbertruimte die pad-differentieerbare parameters in niet-parametrische modellen schat met semiparametrische efficiëntie zonder expliciete afleiding van efficiënte invloedfuncties.