335 papers
Dit paper introduceert de Volterra-signatuur als een interpreteerbare en universele feature-representatie voor niet-Markovse tijdreeksen, die wiskundig onderbouwde garanties biedt, efficiënte berekening via kernmethoden mogelijk maakt en superieure prestaties levert ten opzichte van bestaande methoden.
Deze paper presenteert een nieuw, oracle-efficiënt leeralgoritme voor het hybride online leerprobleem met beperkte tegenstanders dat statistische optimaliteit en computationele efficiëntie combineert door gebruik te maken van een gestructureerde labelklasse en nieuwe wiskundige hulpmiddelen.
Deze studie bewijst een strikte variationale en gradiëntgebaseerde equivalentie tussen het klassieke K-Means-algoritme en differentieerbare Radiale Basisfunctie-netwerken, waarbij het introduceren van Entmax-1.5 numerieke stabiliteit garandeert en zo een brug slaat tussen discrete partitie en continue optimalisatie voor end-to-end differentiabele clustering.
Dit artikel introduceert robuuste algoritmen voor het testen van onafhankelijkheid van verdelingen die, door gebruik te maken van voorspellende informatie, de steekproefgrootte aanzienlijk verminderen wanneer de voorspelling accuraat is, terwijl ze hun geldigheid in het ergste geval behouden en optimale sample-complexiteit bereiken.
In dit artikel wordt sFRC voorgesteld, een nieuwe methode die Fourier Ring Correlatie toepast op kleine patches om hallucinaties in door deep learning gereconstrueerde medische beelden te detecteren en te kwantificeren.
Dit artikel stelt dat geheugenconsolidatie niet enkel dient voor stabilisatie, maar een computerele rol vervult door voorspellende vergetelheid toe te passen, waardoor neocorticale netwerken complexe informatie selectief comprimeren om de generalisatie te optimaliseren.
Dit artikel introduceert de eerste structuurvrije methode voor causale ontdekking in lineaire niet-Gaussische modellen met latente variabelen en cycli, door een nieuwe grafische equivalentiecriteria en het concept van randrangbeperkingen te ontwikkelen.
Dit artikel toont aan dat lokale connectiviteit en gewichtsdeling in convolutionele neurale netwerken de impliciete regularisatie fundamenteel veranderen, waardoor ze in staat zijn om te generaliseren op hoge-dimensionale boldata waar volledig verbonden netwerken falen.
Deze studie toont aan dat bij hoogdimensionale willekeurige data de impliciete bias van gradient descent voor een ondiep ReLU-model met hoge waarschijnlijkheid de minimum-l2-norm oplossing benadert met een foutmarge van de orde , dankzij een nieuwe primal-dual analyse die aantoont dat het ReLU-activatiepatroon snel stabiliseert.
Dit paper introduceert een generaliseerde scherpheidsdefinitie op basis van richtingsgladheid die het Edge-of-Stability-fenomeen verklaart voor zowel euclidische als niet-euclidische gradiëntafdalingsoptimalisatoren.
Dit paper introduceert fedCI en fedCI-IOD, privacybehoudende federatieve methoden die causale ontdekking mogelijk maken over heterogene, gedistribueerde datasets met latente confounding door middel van geavanceerde conditionele onafhankelijkheidstests.
Deze paper introduceert STCV, een nieuw algoritme voor de robuuste en schaal-onafhankelijke identificatie van niet-lineaire dynamica dat de vervormende effecten van datanormalisatie op traditionele methoden oplost door in plaats van op grootte te vertrouwen op een dimensieloze statistische metric voor termselectie.
Deze paper introduceert een nieuw kader voor het afleiden van optimale individuele beslissingsregels dat demografische pariteit en conditionele demografische pariteit waarborgt door perturbaties toe te passen op de onbeperkt optimale regels, wat leidt tot een computationeel efficiënte oplossing met bewezen convergentie.
Deze studie toont aan dat voor de optimale out-of-distribution-probing van Vision Transformers de beste prestaties worden behaald door zowel de juiste modellaag als het specifieke moduletype (feedforward-netwerk bij sterke distributieveranderingen versus genormaliseerde self-attention bij zwakke veranderingen) te selecteren.
Dit artikel introduceert Bayesian Supervised Causal Clustering (BSCC), een Bayesiaanse methode die patiëntsubgroepen identificeert op basis van zowel covariaten als behandelingseffecten om de persoonlijke besluitvorming in de gezondheidszorg te verbeteren.
Dit paper introduceert asymmetrische Shapley-waarden als een eerlijker maatstaf voor het bepalen van de belang van genen in klinische voorspellingsmodellen, waarbij rekening wordt gehouden met collineariteit en de richting van afhankelijkheden, en presenteert efficiënte algoritmen voor lokale en globale interpretatie die worden geïllustreerd aan de hand van colorectale kanker.
Dit artikel toont aan dat voorspellende inferentie wordt geregeerd door vier onderling niet-nestede admissibiliteitsgeometrieën met elk hun eigen optimaliteitscertificaat, waardoor admissibiliteit onherroepelijk afhankelijk is van het gekozen criterium.
Deze paper ontwikkelt een uitgebreide statistische theorie die de optimaliteit van empirisch risicominimaliserende beslissingsbomen bewijst door scherpe orakelongelijkheden af te leiden en minimax-optimale rates te vaststellen voor een nieuw functioneel klasse dat sparsiteit, anisotrope gladheid en ruimtelijke heterogeniteit omvat.
Dit artikel biedt een statistische review van het gebruik van synthetische data gegenereerd door generatieve AI, waarbij het de aannames, beperkingen en valkuilen belicht om een gefundeerd kader te bieden voor betrouwbare inferentie en praktische richtlijnen te ontwikkelen.
Dit artikel introduceert een thermodynamisch responsframework dat temperingsafgeleiden en covariantie-identiteiten gebruikt om de complexe geometrie van singuliere Bayesiaanse modellen te verenigen, waarbij concepten zoals de RLCT en WAIC een natuurlijke interpretatie krijgen als responsfuncties die structurele herorganisatie en voorspellende variabiliteit kwantificeren.