335 papers
Dit artikel introduceert een intrinsiek driftbudget , gemeten in Fisher-Rao-afstand, om de prequential reproduceerbaarheid onder distributie-drift te karakteriseren door exogene verandering en feedback-gedreven drift te scheiden, waarbij wordt aangetoond dat de reproduceerbaarheidsfout begrensd wordt door .
Deze paper introduceert een statistisch kader dat aantoont dat synthetische augmentatie niet altijd helpt bij onbalans, en stelt een gevalideerde methode voor om de optimale hoeveelheid synthetische data te bepalen op basis van de generatornauwkeurigheid en de lokale asymmetrie van de data.
Dit artikel bestudeert de homologie van ruime groepoïden via het Moore-complex met compacte drager, bewijst een universele coëfficiëntenstelling voor discrete coëfficiënten, identificeert obstakels voor niet-discrete coëfficiënten en leidt een Mayer-Vietoris-sequentie af voor expliciete berekeningen.
Deze paper introduceert een efficiënt statistisch model op basis van tensorfactorisatie dat goedkope automatische beoordelingen combineert met een beperkt aantal menselijke labels om nauwkeurige, fijnmazige evaluaties van generatieve modellen op prompt-niveau mogelijk te maken.
Dit paper pleit voor een nieuw paradigma in causaal leren dat de wijsheid van de menigte benut door een systematisch kader te introduceren voor het synthetiseren van gefragmenteerde kennis van menselijke experts en LLM-agenten om complexe causale structuren te reconstrueren die individuele agenten niet kunnen ontdekken.
Dit artikel corrigeert fouten in Spivaks onuitgegeven manuscript en McInnes et al.'s afleiding van UMAP door een zelfstandig document te bieden met de volledige afleiding van de metriek-realisatiefunctor en een analyse van de UMAP-algoritmeclaims.
Dit artikel introduceert de 'Learning Order Forest', een methode die gebruikmaakt van een boomachtige afstandsstructuur en een gezamenlijk leermechanisme om effectief te clusteren op basis van kwalitatieve attributen, wat resulteert in een superieure prestatie vergeleken met bestaande methoden.
Dit artikel introduceert een nieuwe, adaptieve strategie voor parameterselectie in kernel-gebaseerde gradiëntafdaalalgoritmen die, gebaseerd op empirische effectieve dimensie en geïntegreerde bias-variatieanalyse, optimale generalisatiefouten garandeert en superieur is aan bestaande methoden.
Deze paper introduceert de Surprisal-Rényi Free Energy (SRFE), een log-momentgebaseerde functionaal die de voorwaartse en omgekeerde KL-divergenties als singuliere eindpunten omvat en een expliciete mean-variance trade-off onthult die de geometrische en grote-afwijkingenstructuur onderliggende aan deze leerregimes verduidelijkt.
Deze paper introduceert een schaalbaar contrastief model voor causale ontdekking dat, ondanks onbekende zachte interventies en beperkte data, een consistent globale causale structuur kan afleiden en theoretisch bewezen is om meer randen te oriënteren dan bestaande methoden.
Dit artikel presenteert een minimax-optimale strategie voor versterkend leren met vertraagde waarnemingen die, door een combinatie van augmentatie en upper confidence bounds, een regretgrens bereikt die tot op logaritmische factoren wordt bewezen als optimaal.
Dit onderzoek toont aan dat de exponentiële misaligning tussen de hoge dimensie van het perceptuele manifold van neurale netwerken en dat van menselijke concepten de oorsprong is van adversarial voorbeelden en een fundamenteel obstakel vormt voor robuustheid.
Dit paper introduceert CausalMix, een variational generatief framework dat de trade-off tussen realisme en causal controle in synthetische data oplost door een mixtuur van Gaussische priors te koppelen aan specifieke decoders, waardoor onderzoekers overlap, verstorende factoren en effectheterogeniteit onafhankelijk kunnen manipuleren voor robuuste causaliteitsstudies.
Dit onderzoek toont aan dat algebraïsche herschrijvingen van doelobjectieven en de gebruikte steekproefstrategieën leiden tot gestructureerde lokale afwijkingen van de 'No Free Lunch'-theorema-intuïtie, waardoor de prestaties van optimalisatie-algoritmes statistisch significant veranderen en een bewuste keuze voor probleemklasse en objectiefrepresentatie noodzakelijk maken.
Deze paper presenteert een rigoureus kader voor het uitbreiden van neurale operatoren naar out-of-distribution invoerfuncties door gebruik te maken van kernelbenaderingen en RKHS-theorie, wat betrouwbare voorspellingen van functiewaarden en hun afgeleiden mogelijk maakt, zoals gevalideerd bij het oplossen van elliptische partiële differentiaalvergelijkingen op variëteiten.
Deze paper bewijst dat het geometrische Euler-Maruyama-schema voor Riemanniaanse Langevin-dynamiek sterke convergentie van orde 1/2 bereikt, wat leidt tot een Wasserstein-benadering voor het bemonsteren op Riemanniaanse variëteiten.
Dit artikel introduceert een nieuwe Stein-identiteit voor q-Gaussians met begrenste steun, die via escort-verdelingen leidt tot gradiënt-schatters met een vorm vergelijkbaar met die van Gaussians en die de variantie kunnen verlagen voor toepassingen zoals Bayesiaanse deep learning.
Deze paper toont aan dat score-matching diffusiemodellen de vloek van de dimensionaliteit overwinnen door hun convergentiesnelheid aan te passen aan de intrinsieke geometrie van de data, wat leidt tot scherpe eindsteekproeffoutgrenzen die worden bepaald door de nieuwe -Wasserstein-dimensie in plaats van de omgevingsdimensionaliteit.
Deze paper introduceert het Two-Phase Suffix Imitation-framework, dat een waarnemer in staat stelt om zonder toegang tot beloningen de onderliggende parameters van een niet-stationair contextueel bandietprobleem te reconstrueren en een optimale beleidsstrategie te leren met een convergentiesnelheid die vergelijkbaar is met die van een volledig geïnformeerde leraar.
Dit artikel introduceert R-Design, een adaptief experimenteel ontwerpramwerk dat bestaande observationele data gebruikt als prior om causaliteit te leren door in plaats van het schatten van volledige uitkomsten de residualen van de bias te schatten, wat leidt tot aanzienlijk snellere convergentie en een efficiënter gebruik van de proefbudgetten.