333 papers
Dit artikel introduceert SPPCSO, een adaptieve gepenaliseerde schattingsmethode die principal component regression en -regularisatie combineert om stabiele variabele selectie en nauwkeurige schattingen te garanderen in hoge-dimensionale, sterk gecorreleerde datasets met veel ruis.
Dit paper introduceert Synthetic Monitoring Environments (SMEs), een oneindige reeks van configureerbare continue controle-taken met bekende optimale beleidslijnen, die dienen als een gestandaardiseerd en transparant testbed om het falen van versterkingsleeralgoritmes nauwkeurig te diagnosticeren en te analyseren.
Dit artikel introduceert de BAEN-SVM, een robuust classificatiemodel dat een nieuwe gebonden asymmetrische elastic net-verliesfunctie combineert met een efficiënt half-kwadratisch optimalisatiealgoritme om ruisgevoelige data beter te verwerken dan traditionele SVM's.
Dit artikel introduceert een framework voor de gecertificeerde en nauwkeurige berekening van functieruimtenormen van diepe neurale netwerken door intervalrekening op as-uitgelijnde dozen te combineren met adaptieve verdeling en kwadratuur, waardoor gegarandeerde boven- en ondergrenzen worden verkregen voor integralen zoals - en Sobolev-normen.
Dit artikel introduceert DistBART, een Bayesiaanse niet-parametrische methode voor distributieregressie die Bayesiaanse additieve regressiebomen (BART) combineert met een lineaire functionaal om voorspellingen te doen op basis van distributie-gebaseerde voorspellers, waarbij zowel theoretische convergentie als schaalbaarheid door random-feature benaderingen worden gegarandeerd.
Dit artikel introduceert een semantiek-bewuste caching-methode die de runtime van conceptlering in beschrijvingslogica's met een factor tien verlaagt door het aantal benodigde instantie-oproepen te verminderen, wat effectief blijkt voor zowel symbolische als neuro-symbolische redeneerders.
Deze paper introduceert een representatie-agnostisch refutatiekader dat theoretische voorwaarden en neurale methoden biedt om de bovengrenzen van vertekening door confounding te schatten die ontstaat bij het gebruik van laagdimensionale representaties voor de schatting van gemiddelde behandelingseffecten.
Onflow is een modelvrij, online algoritme voor portefeuilletoewijzing dat via gradiëntstromen en versterkt leren dynamisch de verwachte logaritmische rendementen maximaliseert terwijl het transactiekosten effectief verwerkt, waardoor het zelfs bij hoge kosten superieur presteert ten opzichte van bestaande methoden zonder aannames over rendementverdelingen.
Dit artikel introduceert de Data Informatie Matrix (DIM) om een singuliere foliatiestructuur op de ruimte van realistische data te definiëren via getrainde ReLU-neurale netwerken, waarbij wordt aangetoond dat de data correleert met de bladeren van deze foliatie en dat de spectrale analyse van de DIM nuttig is voor kennisoverdracht tussen datasets.
Dit artikel bewijst dat betrouwbare (faithful) Bayesiaanse netwerken een typisch geval vormen binnen diverse klassen, waaronder parametrische en niet-parametrische modellen, en dat hierdoor consistentie voor constraint-based causale ontdekkingsalgoritmen zoals PC en FCI geldt op een open en dicht deel van de parameter ruimte.
Dit artikel introduceert de AU-learner, een nieuw orthogonaal leermodel dat de aleatorische onzekerheid van het behandelingseffect kwantificeert door scherpe grenzen voor de conditionele verdeling van het behandelingseffect (CDTE) te schatten via partiële identificatie.
Deze paper introduceert Finance-Informed Neural Networks (FINN), een zelftoezichtend machine learning-model dat optieprijzing en -hedgeert op basis van dynamische replicatie en economische consistentie, waardoor het nauwkeurige resultaten levert in complexe marktomstandigheden en zelfs voor activa zonder bestaande optiemarkten.
Deze paper introduceert twee nieuwe algoritmen, PE-GP-TS en HP-GP-TS, die op Thompson Sampling gebaseerde Gaussian Process bandits combineren met automatische prior-selectie om zowel de hyperparameters te kiezen als de regret-theoretische garanties te waarborgen.
Dit artikel introduceert een niet-parametrisch gewogen Random Dot Product Graph-model (WRDPG) dat latent posities gebruikt om de volledige verdeling van randgewichten te modelleren via momentgenererende functies, en biedt hierbij consistente schatters, asymptotische normaliteit en een generatief kader voor het simuleren van gewogen netwerken.
Deze paper verbetert de theoretische convergentievoorwaarden voor Flow Matching in hoge dimensies door de afhankelijkheid van de Lipschitz-constante te beheersen, waardoor een betere schatting van de Wasserstein-1-afstand mogelijk wordt voor onbegrensde verdelingen zonder log-concaviteit.
Dit artikel onderzoekt het bestaan en de berekening van Busemann-functies in de Wasserstein-ruimte, waarbij gesloten vormen worden afgeleid voor een-dimensionale en Gaussische verdelingen om nieuwe, efficiënte Sliced-Wasserstein-afstanden voor projectie en transfer learning te definiëren.
Dit paper introduceert het concept van 'gecontroleerd leren' waarbij een leerder toegang heeft tot twee concurrerende bewijzers om op basis van slechts één query naar de grondwaarheid en beperkte communicatie een model te selecteren dat aanzienlijk nauwkeuriger is dan wat met een enkele bewijzer haalbaar zou zijn.
Dit artikel biedt een verenigd Bayesiaans perspectief dat in-context learning en activatiesturing als twee aspecten van één raamwerk beschrijft, waarbij de eerste de accumulatie van bewijs vertegenwoordigt en de tweede de concept-priors aanpast, wat leidt tot een voorspellend model voor het beheersen van het gedrag van grote taalmodellen.
Deze paper introduceert drie schaalbare algoritmen op basis van Variational Bayes en Expectation Propagation voor de benadering van de posteriorverdeling in cumulatieve probit-regressiemodellen, die bij grote datasets superieure rekenprestaties en nauwkeurigheid bieden ten opzichte van traditionele MCMC-methode.
Dit paper lost het paradoxale verschil op tussen de verbondenheid van minima in het verlieslandschap en de lokale beperking van optimalisatie door aan te tonen dat entropische barrières, veroorzaakt door krommingsvariaties en ruis, de dynamiek effectief terugduwen naar de eindpunten.