335 papers
Dit paper introduceert SurvHTE-Bench, het eerste uitgebreide benchmarkkader voor het schatten van heterogene behandelingseffecten in overlevingsanalyse, dat synthetische, semi-synthetische en real-world datasets omvat om bestaande methoden onder diverse omstandigheden rigoureus te evalueren.
Deze paper presenteert een optimaal, interactief lokaal differentieel privé-algoritme voor hypothese-selectie dat de steekproefcomplexiteit van doorbreekt tot met slechts interactierondes, waarbij het concept van 'kritieke queries' voor statistische query-algoritmen wordt geïntroduceerd.
Dit artikel toont aan dat hoewel uniforme convergentie in het lijst-PAC-leringskader equivalent blijft aan leerbaarheid, het compressieprincipe faalt doordat er leerbare klassen bestaan die niet samengevoegd kunnen worden, waarmee de lijstversie van de compressieconjectuur van Littlestone en Warmuth wordt weerlegd.
Deze paper breidt bestaande resultaten uit door tracking-bounds te leveren voor variatiële ongelijkheden met een sublineaire oplossingspad of periodieke dynamiek, en onderzoekt de convergentie en het mogelijk chaotische gedrag van discrete dynamische systemen voor periodieke tijdvariabele variatiële ongelijkheden.
Deze paper introduceert AuToMATo, een uit het doosje werkend clustering-algoritme op basis van persistente homologie dat door middel van een bootstrapping-procedure significante pieken in dichtheidsfuncties isoleert en in tests vaak beter presteert dan bestaande state-of-the-art methoden, inclusief de optimale parameterinstellingen daarvan.
Dit paper introduceert LoCo-RLHF, een framework dat lage-rang-contextuele modellen en een pessimistische beleidsstrategie combineert om heterogene menselijke feedback efficiënter te verwerken en robuustere, gepersonaliseerde taalmodellen te trainen.
Deze paper introduceert DCENWCNet, een nieuw ensemble-model van drie CNN-architecturen dat, gecombineerd met LIME voor interpretatie, de nauwkeurigheid en betrouwbaarheid van de classificatie van witte bloedcellen op de Rabbin-WBC-dataset aanzienlijk verbetert.
Deze studie introduceert het schaalbare physics-informed deep generative model (sPI-GeM), dat problemen met stochastische differentiaalvergelijkingen in zowel hoge ruimtelijke als stochastische dimensies oplost door basisfuncties en coëfficiënten te leren via een combinatie van PI-BasisNet en PI-GeM.
Dit artikel introduceert een nieuwe informatie-theoretische ondergrens voor de steekproefcomplexiteit bij het identificeren van de beste arm in stochastische bandietproblemen met meerdere optima en een bekend aantal, en bewijst dat een aangepaste Track-and-Stop-algoritme deze grens asymptotisch bereikt.
Dit artikel onderzoekt de convergentie- en ontsnappingsdynamica van Stochastic Gradient Descent in één dimensionale landschappen met oneindige of eindige variantie, waarbij wordt aangetoond dat de tijdschalen voor het bereiken van lokale minima en het verlaten van nabijgelegen maxima worden bepaald door de interactie tussen ruiskenmerken en de geometrie van de functie.
Deze studie introduceert een computatie-efficiënte, op copula's gebaseerde supervised filter die Gumbel-tail-concordantie gebruikt om diabetesrisicofactoren te selecteren, waarbij de methode op grote datasets snel werkt en klinisch coherente voorspellers identificeert die vaak door standaardmethodes worden gemist.
Deze paper introduceert Supervised Calibration (SC), een unificerend framework dat de beperkingen van bestaande kalibratiemethoden voor In-Context Learning in LLMs overwint door het leren van optimale affiene transformaties in de logit-ruimte, waardoor de beslissingsgrenzen effectief kunnen worden aangepast en de prestaties aanzienlijk worden verbeterd.
Dit onderzoek toont aan dat 'honest estimation' bij causal forests, hoewel bedoeld om overfitting te voorkomen, de nauwkeurigheid van individuele behandelingseffecten kan verminderen door onderfitting te veroorzaken, waardoor het gebruik ervan moet worden afgewogen op basis van specifieke toepassingsdoelen en empirische evaluatie in plaats van als standaardpraktijk.
De auteurs stellen een nieuwe Bayesiaanse methode voor die de federale ADMM generaliseert door variatie-Bayesiaanse doelen te koppelen aan een dualiteitsstructuur, waardoor nieuwe varianten zoals Newton- en Adam-achtige updates ontstaan die de nauwkeurigheid in diepe heterogene scenario's verbeteren.
Dit artikel bewijst dat de eindig-dimensionale verdelingen van diepe neurale netwerken met willekeurig geïnitialiseerde gewichten en Lipschitz-activatiefuncties, in de limiet van oneindige laagbreedtes, worden benaderd door een Gaussische verdeling met expliciete convergentiesnelheden in de Wasserstein-1-norm.
Dit onderzoek analyseert de asymptotische prestaties van best-of- ensembling met meerderheidsstemming voor grote taalmodellen, introduceert een adaptief generatieschema om de inferentiekosten te optimaliseren en toont aan dat gewogen ensembles van meerdere modellen via een gemengd-geheelgetallig lineair programma superieure resultaten kunnen behalen.
Deze paper introduceert het leertheoretische model van online leren met een replay-adversariaal om het risico van echo-kamers te analyseren, en bewijst dat de Extended Threshold-dimensie de exacte maatstaf is voor leerbaarheid, waarbij proper leren onder deze omstandigheden strikt beperkt is tot bijna doorsnede-gesloten klassen.
Dit artikel introduceert MAYA, een op multi-armed bandits gebaseerd sequentieel imitatieleermodel dat de beslissingen van bijen tijdens het foerageren nabootst en voorspelt door rekening te houden met hun beperkte geheugen, en dat hiermee uitblinkt in prestaties en interpretatie ten opzichte van bestaande methoden.
Dit artikel toont aan dat de impliciete bias van per-stap Adam op lineair scheidbare data kan afwijken van de volledige-batch-regime en zelfs convergeren naar een -max-margin classifier, terwijl de bias van Signum onafhankelijk blijft van de batchgrootte.
Dit artikel karakteriseert de impliciete bias van het JKO-schema op tweede orde in de stapgrootte door te tonen dat het equivalent is aan een Wasserstein-gradiëntstroom op een gewijzigde energiefunctie die een straffing bevat die afhangt van de metriekkromming van de oorspronkelijke energie.