335 papers
Deze paper introduceert de 'Randomized Kriging Believer', een parallelle Bayesiaanse optimalisatiemethode die een uitstekende balans biedt tussen lage rekencomplexiteit, eenvoudige implementatie en theoretische regret-garanties voor het efficiënt optimaliseren van dure zwarte-doosfuncties.
Dit artikel introduceert een partition-based functional ridge regression-framework dat multicollineariteit en overfitting in hoog-dimensionale functionele lineaire modellen aanpakt door de coëfficiëntfunctie te decomponeren in dominante en zwakkere effecten voor differentieel straffen, wat resulteert in verbeterde numerieke stabiliteit, interpretatie en voorspellende prestaties.
Dit artikel introduceert Co-Diffusion, een tweestaps latent diffusion-framework dat de generalisatie van voorspellingen voor geneesmiddel-doelwitaffiniteit verbetert door een affiniteitsgestuurde latente manifold te combineren met modale-specifieke diffusie voor robuuste zero-shot prestaties in onbekende chemische ruimtes.
Dit werk toont aan dat een driedimensionaal ReLU-netwerkarchitectuur met verhoogde hoogte aanzienlijk efficiëntere benaderingen mogelijk maakt voor analytische en -functies, waardoor zowel exponentiële convergentie voor analytische klassen als kwantitatieve, niet-asymptotische benaderingen voor hoge-orde -functies worden bereikt.
Dit artikel presenteert een niet-parametrische regressiemethode op basis van diepe neurale netwerken en het principe van minimale foutentropie voor sterk gemengende data, waarbij wordt aangetoond dat zowel niet-gestraalde als straal-gestraalde schatters de minimax-optimale convergentiesnelheid bereiken.
Dit artikel definieert 'algorithmic capture' en toont aan dat onbeperkte transformers, ondanks hun universele expressiviteit, een inductieve bias vertonen die hen beperkt tot het leren van algoritmen met lage computationele complexiteit binnen de EPTHS-klasse, waardoor ze succesvol zijn bij eenvoudige taken maar falen bij complexere algoritmen.
Dit paper introduceert diagnostische transportkaarten om onbetrouwbare voorspellingsverdelingen voor zeldzame gebeurtenissen, zoals tropische cycloonintensiteit, te kalibreren en te verbeteren door lokale fouten te diagnosticeren en te corrigeren.
Dit paper introduceert RIE-Greedy, een methode die de inherenten stochasticiteit van regularisatie tijdens modeltraining gebruikt om effectieve exploratie in contextuele bandieten te realiseren zonder complexe strategieën, wat theoretisch equivalent is aan Thompson Sampling en empirisch superieur presteert in grote schaalbedrijfsomgevingen.
Dit artikel introduceert de 'outrigger' lokale polynoomschatter, een robuuste methode voor niet-parametrische regressie die distributieve aanpassingsvermogen biedt zonder strenge aannames over de foutverdeling, en die theoretisch bewezen asymptotisch optimaal is ten opzichte van de standaard schatter.
Dit artikel introduceert een unificerend framework genaamd wcPCA voor worst-case laag-rang benaderingen dat, in tegenstelling tot standaard PCA, robuuste prestaties garandeert over heterogene domeinen door de ergste-case variantie te minimaliseren binnen het convexe omhulsel van de broncovarianties.
Dit artikel toont aan dat Langevin-dynamica niet robuust is tegen kleine fouten in de geschatte scorefunctie en zelfs bij willekeurig kleine -fouten in hoge dimensies faalt om de doelverdeling te benaderen, wat een sterk argument vormt voor het gebruik van diffusiemodellen in plaats daarvan.
Dit artikel introduceert een dubbel robuuste schatter met kruisfitting en een jackknife-gebaseerde ruimtelijke HAC-variatiecorrectie om geldige statistische inferentie mogelijk te maken in scenario's met voorspelde, gemiste labels en ruimtelijke afhankelijkheid, waarbij het een oplossing biedt voor de vervorming van variantieschattingen die door kruisfitting wordt veroorzaakt.
Dit artikel introduceert een theoretisch raamwerk voor het ontleden van observatieve multipliciteit in beslisbomen in 'leaf regret' en 'structurele regret', waarbij wordt aangetoond dat structurele instabiliteit de dominante bron van variatie is en dat deze maatstaven de modelveiligheid kunnen verbeteren door selectief voorspellen.
Dit paper introduceert een op vrije-energie gebaseerd algoritme voor sociaal bandietleren dat een agent in staat stelt om de expertise van andere agenten te schatten en hun gedrag effectief te benutten voor verbeterd individueel leren, zelfs in afwezigheid van beloningsinformatie of in aanwezigheid van niet-expert agenten, terwijl het logarithmische regret behoudt.
Dit paper bewijst dat de FTPL-algoritme met Frechet- en Pareto-verdelingen en een verbeterde conditionele geometrische resampling voor -set semi-bandit problemen zowel in adversariele als stochastische omgevingen optimale 'best-of-both-worlds' spijtbetalingen bereikt met een verlaagde computationele complexiteit.
Dit paper biedt een leertheoretische analyse van modelinstorting bij taalmodellen door een replay-adversariaal te introduceren, en toont aan dat hoewel het reproduceren van eerdere outputs uniform generatie niet schaadt, het wel leidt tot fundamentele beperkingen bij zwakkere generatienotionen, waarbij de gevonden positieve resultaten overeenkomen met praktische heuristieken zoals data-opschoning en watermerken.
Dit hoofdstuk legt de fundamentele basis voor quaterniën-machine learning door geavanceerde statistiek, wijd-lineaire modellen, quaterniëncalculus en middelste-kwadraten-schatting te introduceren om onderzoekers in staat te stellen deze multidimensionale domeinen te benutten.
Deze paper introduceert een nieuw test-then-pool-raamwerk voor het fusioneren van controlegroepen in klinische trials, dat gebruikmaakt van kernel-twee-steekproeftesten en equivalentietesten om historische data te benutten terwijl de Type-I-foutstrategie strikt wordt gecontroleerd en de statistische power wordt vergroot.
Dit paper introduceert EnTransformer, een diep generatief model dat engression en Transformers combineert om nauwkeurige en gecoördineerde multivariate probabilistische voorspellingen te genereren zonder restrictieve parametrische aannames.
Dit paper introduceert Local Adjacency Spectral Embedding (LASE), een methode die lokale laagdimensionale structuren in netwerken blootlegt door een gewogen spectrale decompositie toe te passen, waardoor de beperkingen van globale benaderingen worden overwonnen en de lokale reconstructie en visualisatie aanzienlijk worden verbeterd.