329 papers
Deze paper introduceert een nieuwe Frechet-regressiemethode voor multivariate verdelingsresponsen binnen het semiparametrische nonparanormale familie, die gebruikmaakt van de NPT-metriek om de schattingsproblematiek en de vervlochtenheid van de dimensiecurse aan te pakken en zo efficiënte en interpreteerbare modellen mogelijk maakt.
Dit artikel introduceert diepe spatiotemporale engressiemethoden die betrouwbare probabilistische voorspellingen voor epidemieën genereren door endogene onzekerheidskwantificatie, en toont aan dat deze modellen verschillende benchmarks overtreffen op zes epidemiologische datasets.
Dit paper introduceert DualAdam, een nieuwe optimizer die het snelle convergentiegedrag van Adam combineert met het inverse updatemechanisme van InvAdam om scherpe minima te vermijden en zo de generalisatieprestaties van diepe neurale netwerken aanzienlijk te verbeteren.
Deze paper introduceert MSKernelBench, een uitgebreide benchmark voor diverse scenario's, en CUDAMaster, een multi-agent systeem dat Large Language Models gebruikt om CUDA-kernels te optimaliseren en hiermee aanzienlijke snelheidswinst behaalt die vaak de prestaties van gespecialiseerde bibliotheken zoals cuBLAS benadert of overtreft.
Dit artikel introduceert een geavanceerde methode voor conditionele rang-rang-regressie met diepe conditionele transformatiemodellen om intergenerationele mobiliteit nauwkeuriger te meten door covariaten te controleren, wat leidt tot betere prestaties bij niet-lineariteit en discrete uitkomsten en wordt toegepast op inkomensmobiliteit in de VS en onderwijsmobiliteit in India.
Dit paper introduceert Variational Flow Maps, een raamwerk dat voorwaardelijke generatie en inverse problemen oplost door in plaats van een iteratief pad te volgen, een 'noise adapter' te leren die de juiste initiële ruis genereert voor hoogwaardige, één-staps steekproeven.
Dit artikel introduceert een theoretisch en empirisch raamwerk voor het trainen van robuuste beleidsstrategieën in deeltijds waarneembare omgevingen door middel van adversariele blootstelling aan verschuivingen in de initiële latente verdeling, wat leidt tot aanzienlijk verbeterde prestaties onder worst-case omstandigheden.
Dit artikel introduceert DistGP, een gedistribueerde methode voor multi-robot mapping die een verspreide, asynchrone training van een spaarzaam Gaussisch proces mogelijk maakt en hiermee superieure prestaties, robuustheid en continuïteit bereikt ten opzichte van bestaande methoden zoals Tree-Structured GPs en DiNNO.
Dit artikel presenteert kosten-gedreven representatieleren voor Lineair Kwantitatief Gaussische (LQG) controle met onvolledige observaties, waarbij twee methoden worden onderzocht voor het leren van een latente dynamische model en wiskundige garanties worden geboden voor de optimaliteit van de gevonden controller.
Dit monografie biedt een rigoureuze overzicht van de theoretische en methodologische aspecten van probabilistische inferentie en leren met behulp van de methode van Stein, inclusief de constructie van Stein-discrepanties, hun eigenschappen en de verbinding met Stein-variational gradient descent.
Deze paper introduceert een privacybehoudend conformaal voorspellingframework dat gebruikmaakt van differentieel privacy om volledige datasets te benutten zonder splitsing, waardoor scherpere voorspellingssets worden verkregen dan bij bestaande methoden die op data-splitsing vertrouwen.
Dit artikel introduceert ReGEN-TAD, een interpreteerbaar generatief raamwerk dat moderne machine learning combineert met econometrische diagnostiek om structurele instabiliteit en anomalieën in hoogdimensionale financiële tijdreeksen te detecteren zonder gebruik van gelabelde data.
Dit paper introduceert een theoretisch kader gebaseerd op deeltjesschermen (particle filtering) om de nauwkeurigheids-kostentrade-offs van inferentiemethoden voor grote taalmodellen die meerdere samples aggregeren en pruning toepassen, rigoureus te analyseren en fundamentele grenzen te identificeren.
Dit artikel introduceert een Bayesiaanse Transformer die drie onzekerheidsmechanismen combineert om in slimme netten nauwkeurige, goed gekalibreerde probabilistische lastprognoses te genereren die robuust zijn onder extreme weersomstandigheden en de prestaties van bestaande modellen aanzienlijk verbeteren.
Deze paper introduceert een robuust transfer learning-raamwerk dat gebruikmaakt van zijinformatie om schattingen van overgangskernen te verbeteren en conservatieve beleidsplannen te verminderen, wat leidt tot superieure prestaties in doeldomeinen met omgevingsverschillen.
De auteurs ontwikkelen een versterkingsleer-pipeline die knoopdiagrammen vereenvoudigt en succesvol toepast op zeer moeilijke ontknoopte knopen en de verbinding $4_1\#9_{10}$, waarbij de recent vastgestelde bovengrens van drie voor het ontknooptal wordt bevestigd.
Dit paper introduceert Local Constrained Bayesian Optimization (LCBO), een nieuw raamwerk dat de vervlochtenheid van hoge dimensies en complexe beperkingen effectief aanpakt door lokale afdaling en exploratie te combineren, wat resulteert in een polynoomiale convergentiesnelheid en superieure prestaties ten opzichte van bestaande methoden.
Deze paper introduceert een geleerde aanpak voor het versnellen van Maximum Inner Product Search (MIPS) door het gebruik van convexe neurale netwerken (SupportNet en KeyNet) om de ondersteuningsfunctie van een dataset te benaderen en zo de optimale sleutel direct te voorspellen voor een gegeven query.
Dit artikel presenteert een nieuwe, interpreteerbare methode voor conditiemonitoring van helikoptertransmissies die uitsluitend gezonde data gebruikt om via probabilistische afwijkingen en onzekerheidskwantificatie zeldzame storingen te detecteren en te voorspellen.
Dit artikel betoogt dat de huidige evaluatiepraktijken voor langetermijnvoorspelling van tijdreeksen te zeer gefocust zijn op marginale verbeteringen in puntsgewijze foutmaten, en pleit voor een meerdimensionale benadering die statistische nauwkeurigheid, structurele coherentie en besluitvormingsrelevantie integreert om de aandacht te verschuiven van het winnen van benchmarks naar het bevorderen van zinvolle voorspellingen.