329 papers
Deze studie toont aan dat bestaande grafgebaseerde tabulaire deep learning-methoden vaak falen in het nauwkeurig modelleren van onderliggende feature-interacties, wat leidt tot de conclusie dat het prioriteren van de juiste grafstructuur essentieel is voor het verbeteren van voorspellingsnauwkeurigheid.
Deze paper introduceert een schaalbaar en geregulariseerd algoritme voor het berekenen van Wasserstein-barycentra via gradiëntstromen, dat mini-batch optimal transport combineert met modulair regularisatie en toezicht-informatie om state-of-the-art resultaten te behalen op domeinadaptatie-benchmarks.
Deze paper introduceert 'Mercer-priors', een nieuwe klasse van priors voor Bayesiaanse neurale netwerken die, via de Mercer-representatie van covariantiekernen, interpreteerbare priors mogelijk maken die samples genereren die een gespecificeerd Gaussisch proces benaderen en zo de schaalbaarheid van neurale netwerken combineren met de interpretatie van GPs.
Deze paper introduceert een methode die shortcut-learning in diepe neurale netwerken aanpakt door gerichte anisotrope ruis in een ontkoppelde latente ruimte te injecteren, waardoor de classifier onafhankelijk wordt van shortcut-assen zonder dat shortcut-labels of tegenstrijdige voorbeelden nodig zijn.
Dit artikel introduceert Sparse Isotonic Shapley Regression (SISR), een geünificeerd raamwerk dat monotoon transformatie en sparsiteit combineert om de beperkingen van traditionele Shapley-waarden bij niet-lineaire afhankelijkheden en hoge dimensionaliteit te overwinnen en zo nauwkeurigere, stabielere en efficiëntere verklaringen voor AI-modellen te bieden.
Deze paper introduceert een parameterloze methode voor het coarsenen van ruimtelijke grafen door korte randen in te storten, waarbij een nieuwe 'triangle-aware' filtratie wordt gebruikt om de topologische kenmerken te behouden en de methode invariant is onder rotatie, translatie en schaling.
Dit artikel introduceert actor-critic-methoden met robuuste schatters die de eerste niet-triviale garanties bieden voor het leren van een near-optimaal beleid in hoge-dimensionale, schaarse offline versterkingsleer onder sterke data-corruptie en beperkte concentratievoorwaarden.
Dit artikel introduceert een amortized Bayesian inference-framework voor graafdata dat permutatie-invariante encoders combineert met neurale posterior-schattingen om snelle, likelihood-vrije inferentie mogelijk te maken op knoop-, rand- en graf-niveau in diverse domeinen zoals biologie en logistiek.
Deze paper introduceert een schaalbaar multitask Gaussian process-model met functionele covariaten dat, door gebruik te maken van een volledig scheidbare kernelstructuur en Kronecker-decompositie, efficiënte en nauwkeurige voorspellingen met betrouwbaarheidsintervallen mogelijk maakt voor complexe mechanische systemen, zoals geïllustreerd aan de hand van een niet-geïsoleerde klinknagelconstructie.
Dit artikel introduceert een nieuwe klasse van partities met ongelijke volumes die, volgens een bewezen verdelingsprincipe, een lagere verwachte ster-discrepantie opleveren dan klassieke jittered sampling en daarmee een theoretische basis vormen voor hoogdimensionale numerieke integratie.
Dit paper introduceert het Khatri-Rao-clusteringparadigma, dat traditionele centroid-gebaseerde methoden zoals k-Means en deep clustering uitbreidt door centra te modelleren als interacties van protocentra, waardoor aanzienlijk beknoptere en even nauwkeurige datasamenvattingen worden gegenereerd.
Deze paper introduceert de LAE-EnKF, een nieuwe data-assimilatiemethode die de beperkingen van de standaard Ensemble Kalman-filter bij sterk niet-lineaire systemen oplost door assimilatie uit te voeren in een geleerde, stabiele lineaire latente ruimte.
Het paper introduceert NEST, een framework voor device placement in gedistribueerd deep learning dat via gestructureerde dynamische programmering parallelisme, netwerktopologie en geheugenbeperkingen gezamenlijk optimaliseert, wat resulteert in aanzienlijk hogere doorvoer en schaalbaarheid vergeleken met bestaande methoden.
Dit paper introduceert CREDO, een methode die credale enveloppen combineert met conformale kalibratie om voorspellingsintervallen voor regressie te genereren die zowel de onzekerheid door gebrek aan data expliciet weergeven als gegarandeerde dekking bieden.
Deze paper presenteert een epoch-gebaseerd algoritme dat de exacte minimax-regret voor contextuele bilaterale handel onder zwaarstaartige waarderingen met onbeperkte variantie karakteriseert, waarbij de prestaties interpoleren tussen de klassieke niet-parametrische snelheid en een triviale lineaire snelheid afhankelijk van het beschikbare moment.
Dit artikel presenteert een unificerend theoretisch en computationeel raamwerk dat variatierekening, Green-functies en de methode der kenmerken combineert om reproducerende kernen te construeren voor het nauwkeurig benaderen van Koopman-eigenfuncties en andere transportvergelijkingen via een datagedreven, convex optimalisatieproces.
Dit onderzoek toont aan dat het afdwingen van eerlijkheid in machine learning-systemen de uitkomsten voor benadeelde groepen kan verbeteren wanneer gevoelige kenmerken bekend zijn, maar in situaties waar deze onbekend zijn kan leiden tot "leveling down" waarbij beide groepen slechter af zijn, afhankelijk van de onderliggende verdeling van de data.
Dit artikel toont aan dat post-training met policy gradients en outcome rewards een theoretisch optimale benadering biedt binnen het ondersteuningsgebied van het basismodel, maar dat het gebruik van process rewards noodzakelijk is om de exponentiële complexiteit te overwinnen en buiten dit gebied te generaliseren.
Dit paper toont aan dat beleidsmaatregelen die zich uitsluitend op een gemiddeld causaal effect (ATE) van nul baseren, kunnen leiden tot "causale masking" waarbij ongelijkheid wordt vermomd door verstorende factoren, wat pleit voor regelgeving op modelniveau in plaats van op besluitniveau.
Deze paper introduceert het nieuwe online leerprobleem Combinatorial Allocation Bandits (CAB) voor matchplatforms, waarbij het doel is om de tevredenheid van de 'arms' te maximaliseren in plaats van het aantal matches, en presenteert daarvoor effectieve UC- en TS-algoritmen met bijbehorende regret-bounds.