335 papers
Dit paper introduceert ISD-linUCB, een algoritme dat dynamische spijt minimaliseert in niet-stationaire lineaire bandietenproblemen door historische data te benutten om stationaire invarianties in het beloningsmodel te leren en zo de probleemdimensie te reduceren.
Dit paper introduceert een hiërarchische Bayesiaanse methode met adaptieve surrogate-modellen en bilevel-optimalisatie om zowel individuele systeemparameters als gedeelde onbekende dynamica in ODE's en PDE's te leren uit data van gerelateerde fysieke systemen.
Dit artikel introduceert het FCSR-algoritme voor het identificeren van de beste haalbare arm in gegroepeerde bandieten met een vast budget, waarbij een optimale foutkans wordt bereikt en de haalbaarheidsvoorwaarde wordt gewaarborgd.
Dit paper introduceert een efficiënt algoritme dat de inherente subgradiënt-sparseheid van Max-Plus-neurale netwerken, waar alleen de neuron die de maximumwaarde bepaalt bijdraagt aan het verlies, expliciet benut om de trainingskosten te verlagen en de optimalisatie te versnellen.
Dit paper toont aan dat het toevoegen van L2-gewichtsregularisatie aan sparse autoencoders de stabiliteit en steerbaarheid van geleerde features significant verbetert zonder de automatische interpreteerbaarheid te beïnvloeden.
Dit artikel biedt een theoretisch onderbouwd unificerend kader voor het aggregeren van ensemble-predicties via genormaliseerde gegeneraliseerde gemiddelden, waarbij het aantoont dat alleen het bereik (waartoe lineaire en geometrische pooling behoren) systematische verbeteringen garandeert, terwijl andere waarden dit niet doen.
Dit paper introduceert LSDM, een nieuw semi-supervised generatief raamwerk dat door het matchen van verdelingen in een latente ruimte gebruik maakt van ongepaarde data om de geometrische kwaliteit van gegenereerde afbeeldingen te verbeteren en theoretische inzichten te bieden voor Latent Diffusion Models.
PTOPOFL is een privacybehoudend framework voor gepersonaliseerd federatief leren dat persistent homologie gebruikt om in plaats van kwetsbare gradiënten compacte topologische beschrijvingen te communiceren, waardoor zowel reconstructierisico's worden geminimaliseerd als de prestaties bij niet-IID data worden verbeterd.
Dit artikel introduceert geometrische ontwerpprincipes voor kwantummachinelearning die het ontwerp herformuleren van statereikbaarheid naar leerbaarheid, door aan te tonen dat data-afhankelijke instelbare unitaire transformaties nodig zijn voor adaptieve geometrische vervormingen die betere prestaties leveren met minder kwantumpoorten.
Dit paper introduceert hoogwaardige beeldsynthese met behulp van Diffusie Probabilistische Modellen, die een state-of-the-art FID-score van 3,17 op CIFAR10 bereiken en een progressief verliesgevoelig decompressieschema bieden dat is geïnspireerd op niet-evenwichtsthermodynamica.
Dit artikel onthult empirische schalingswetten voor taalmodellen die aantonen dat grotere modellen op een relatief kleine dataset trainen de meest rekenkracht-efficiënte strategie is, aangezien de prestaties volgens een machtsverband schalen met modelgrootte, datasetgrootte en rekenkracht.
Deze paper introduceert een nieuw raamwerk voor generatieve modellen dat gebruikmaakt van een adversariaal proces waarbij een generatief model en een discriminatief model gelijktijdig worden getraind in een minimax-spel om de dataverdeling te leren zonder Markov-ketens of geschatte inferentie.
Dit paper introduceert een schaalbaar, stochastisch variatieal Bayes-algoritme dat efficiënte inferentie en leren mogelijk maakt in gerichte probabilistische modellen met continue latente variabelen en grote datasets, door middel van een herschreven variatiele ondergrens en het gebruik van een herkenningmodel.