329 papers
Deze paper biedt voor het eerst wiskundige garanties voor een kostgedreven aanpak die een latente staterepresentatie leert door kosten te voorspellen in plaats van observaties, waardoor een bijna-optimale regelaar kan worden gevonden voor eindhorizontale Lineair-Kwadratisch-Gaussische (LQG) controleproblemen.
Dit artikel toont aan dat door zorgvuldige combinaties van steekproefverdeling en afstemming van storende functies, zowel plug-in als eerste-orde gecorrigeerde schatters dubbel robuuste functionalen kunnen schatten met minimax convergentiesnelheden over alle Hölder-gladheidsklassen, zelfs onder omstandigheden met lage regulariteit.
Dit artikel introduceert een robuust statistisch leermethode voor meeritemveilingen die gebruikmaakt van betrouwbaarheidsintervallen om de implementatiekosten te verlagen en tegelijkertijd inkomsten te maximaliseren, terwijl het waarborgt dat de veiling eerlijk is en strategisch waardevol voor de bieders.
Dit paper introduceert OTAD, een robuust model dat optimale transporttheorie combineert met convex integratie om Deep Neural Networks zowel nauwkeurig te laten trainen als gegarandeerd lokaal Lipschitz-continu te houden, waardoor ze beter bestand zijn tegen agnostische adversarial attacks dan bestaande methoden.
Dit artikel legt de statistische fundamenten voor de mini-batch maximum partiële-likelihood-schatter (mb-MPLE) in diepe Cox-modellen, bewijst de consistentie en optimale convergentie, en biedt praktische richtlijnen voor het gebruik van stochastische gradiëntafstijging (SGD) in zowel theoretische als grote-scale toepassingen.
Deze paper introduceert een efficiënt variational learning-algoritme voor Gaussian Process Latent Variable Models dat Annealed Importance Sampling combineert met reparameterisatie om de beperkingen van bestaande methoden in complexe, hoogdimensionale ruimtes te overwinnen en superieure prestaties te leveren.
Dit paper introduceert BNEM, een geavanceerde Boltzmann-sampler die op basis van bootstrapping en noised energy matching neural networks traint om energie-functies te leren voor het genereren van robuuste en state-of-the-art onafhankelijke steekproeven zonder vooraf bestaande data.
Deze paper introduceert een adaptief transferleringskader voor clustering dat automatisch gemeenschappelijke patronen benut tussen een hoofd- en een hulpdataset, ondanks onbekende verschillen, om zo de prestaties te optimaliseren via een geoptimaliseerde bias-variatie-decompositie.
Dit artikel analyseert de generalisatieprestaties van deep learning-classificatiemodellen met ruis in de labels door theoretische foutgrenzen voor de excess risk af te leiden, waarbij statistische afhankelijkheden en de impact van hoge dimensies worden aangepakt via onafhankelijke blokken en het lage-dimensionale manifold-hypothese.
Dit paper introduceert A3RL, een nieuwe methode die online en offline versterkingsleer combineert via een vertrouwensbewuste actieve voorkeurst-strategie om de sample-efficiëntie te maximaliseren en vergeten te voorkomen, wat resulteert in superieure prestaties vergeleken met bestaande technieken.
Dit artikel presenteert een aanpak voor Bayesiaanse optimalisatie met vertrouwen-gebieden die adaptieve replicatie combineert met lokale modellen om de nauwkeurigheid en efficiëntie bij het optimaliseren van stochastische functies met hoge variantie aanzienlijk te verbeteren.
Dit paper introduceert een geïndividualiseerd offline versterkingsleerframework voor heterogene populaties, genaamd P4L, dat via een model met individuele latente variabelen en een gepenaliseerde pessimistische aanpak een snelle regret-convergentie garandeert en superieure prestaties laat zien ten opzichte van bestaande methoden.
Deze paper introduceert twee nieuwe online algoritmen voor decision-focused learning in dynamische omgevingen, die door middel van regularisatie en perturbatietechnieken de uitdagingen van niet-convexe en niet-differentieerbare doelfuncties overwinnen en voor het eerst wiskundige prestatiegaranties bieden.
Dit artikel vergelijkt imputatiegebaseerde methoden (MICE) met generatieve modellen zoals VAE's en CTGAN's voor het genereren van synthetische verzekeringsdata en concludeert dat MICE een effectief alternatief biedt met hogere data-kwaliteit en lagere implementatiecomplexiteit.
Dit artikel introduceert de F²SA--methode, die hogere-orde einddifferenties gebruikt om de complexiteit van stochastische bilevel-optimalisatie te verbeteren tot voor sterk gladde problemen, waardoor de snelheid dichter bij de ondergrens van komt.
Dit artikel introduceert een snelle, op deep learning gebaseerde methode die spike-tijden gebruikt om via Dynamic Input Conductances (DICs) diverse, degeneratieve populaties van conductantie-gebaseerde neuronmodellen te reconstrueren, waardoor de link tussen experimentele waarnemingen en mechanistische modellen wordt versterkt.
Dit artikel introduceert de eerste volledig empirische PAC-Bayes-benadering voor Markov-ketens, die de afhankelijkheid van onbekende mengingsparameters overbrugt door een schatting van de pseudo-spectrale kloof mogelijk te maken.
Dit paper introduceert GDR-learners, een flexibel framework dat bestaande diepe generatieve modellen (zoals normalizing flows, GANs, VAEs en diffusion modellen) combineert met Neyman-orthogonaliteit om conditionele verdelingen van potentiële uitkomsten te schatten met dubbele robustheid en quasi-orakel-efficiëntie.
Dit artikel introduceert Overlap-Adaptieve Regularisatie (OAR), een flexibele methode die bestaande meta-learners voor het schatten van conditionele gemiddelde behandelingseffecten verbetert in situaties met lage overlap door de regularisatie adaptief te koppelen aan overlap-gewichten.
Dit paper introduceert de DRQ-learner, een nieuw meta-leraar voor het schatten van individuele potentiële uitkomsten in Markov-beslissingsprocessen met observationele data, die dubbel robuust, Neyman-orthogonaal en quasi-orakel-efficiënt is en hiermee de prestaties van bestaande methoden verbetert.