329 papers
Deze paper introduceert de ReinMax-Rao en ReinMax-CV schatters, die Rao-Blackwellisatie en controlevariatietechnieken toepassen op de ReinMax-methode om de hoge variantie bij het trainen van modellen met discrete latente variabelen te verminderen en zo de prestaties te verbeteren.
Dit artikel presenteert een sublineaire Bayesiaanse regret-begrenzing voor het GP-PSRL-algoritme in continue besturingsproblemen met onbegrensde toestanden, waarbij wordt aangetoond dat bezochte toestanden met hoge waarschijnlijkheid binnen een bijna constante straal blijven en een strakke afhankelijkheid van de maximale informatiewinst wordt bereikt.
Deze paper introduceert een nieuwe methode voor het genereren van plausibele tegenfeitelijke verklaringen voor tijdreeksclassificatie door middel van gradiëntgebaseerde optimalisatie en soft-DTW-alignment, wat resulteert in verklaringen die niet alleen geldig zijn maar ook een realistische temporele structuur behouden die beter aansluit bij de doelklasse dan bestaande methoden.
Dit artikel overbrugt de kloof tussen online en off-policy experimenten door wiskundig te bewijzen dat hun veelgebruikte variantiereductiemethoden, zoals Difference-in-Means en regressie-aanpassing, structureel equivalent zijn aan respectievelijk optimale inverse propensity scoring en doubly robust schatting.
Deze paper introduceert een nieuwe optimalisatiealgoritme gebaseerd op fractionele Weyl-integrals die het Markov-aanneming doorbreekt door het gebruik van een dynamisch gewogen historische geheugenoperator, wat leidt tot aanzienlijk betere prestaties bij het hanteren van onevenwichtige datasets zoals fraudeopsporing en medische diagnostiek.
Deze paper introduceert een efficiënte methode genaamd 'decalibration' om credale voorspellingen te genereren voor complexe modellen zoals foundation models, waardoor onzekerheid op een rekenkundig haalbare manier kan worden weergegeven zonder het noodzakelijke hertrainen van modelensembles.
Deze paper introduceert een Natural Policy Gradient-algoritme met een multi-level Monte Carlo-schatter dat de inherente bias in concave multi-objective reinforcement learning overwint en zo de optimale steekproefcomplexiteit bereikt.
Dit artikel introduceert Generative Adversarial Regression (GAR), een raamwerk dat conditionele risicoscenario's leert door generatoren te trainen die via een minimax-formulering de risicoprofielen van werkelijke data onder diverse beleidsstrategieën nabootsen, wat resulteert in robuustere en meer accurate risico-inschattingen dan bestaande methoden.
Deze paper toont aan dat de kwaliteit van compacte toestandsrepresentaties in versterkend leren, die zijn gebaseerd op Laplaciaan-eigenvectoren, direct wordt beïnvloed door de algebraïsche connectiviteit van de overgangsgrafiek, en levert een volledige foutanalyse voor zowel de benadering als de schatting van deze eigenschappen.
Deze paper introduceert Momentum SVGD-EM, een versnelde variant van het Expectation-Maximisation-algoritme voor maximum marginale likelihood-schatting die Nesterov-versnelling toepast op zowel de parameterupdates als de ruimte van waarschijnlijkheidsmaatregelen om de convergentie in diverse taken te verbeteren.
Dit paper introduceert structurele causale knelpuntmodellen (SCBMs), een nieuw kader dat causale effecten tussen hoogdimensionale variabelen reduceert tot laagdimensionale samenvattingen om schattingen te vereenvoudigen en prestaties in transferlearning te verbeteren.
Dit artikel introduceert een disjunctieve branch-and-bound-methode en nieuwe convex relaxaties die lage-rang-matrixcompletieproblemen met een gegarandeerd optimaal resultaat oplossen, wat leidt tot aanzienlijk lagere trainings- en testfouten vergeleken met bestaande heuristieken.
Deze paper introduceert een efficiënt, op optimale transport gebaseerd aggregatiekader voor het combineren van lokaal getrainde Mixture-of-Experts-modellen in een decentrale omgeving, waarbij met slechts één communicatiestap een globaal model wordt verkregen dat prestaties vergelijkbaar met centrale training bereikt.
Dit artikel introduceert twee robuuste criteria en een sampling-based difference-of-convex algoritme voor het leren van optimale behandelingsregels bij gecensureerde overlevingsdata, met als doel de afgeknotte gemiddelde overlevingstijd en bufferde overlevingskansen te maximaliseren.
Dit artikel introduceert een geregeliseerd optimalisatieprobleem voor het stoppen van processen, geformuleerd als een singuliere stochastische controle met een entropiestrafsysteem om exploratie te bevorderen, en biedt zowel model-gebaseerde als model-vrije versterkende leeralgoritmen met gegarandeerde verbetering.
Dit paper introduceert EarthquakeNPP, een verbeterde benchmark voor aardbevingvoorspelling die aantoont dat de geteste neurale puntprocessen (NPPs) momenteel niet beter presteren dan de klassieke ETAS-modellen.
Dit artikel introduceert een geometrisch theorie voor generatieve diffusiemodellen, waarin wordt aangetoond dat memorisatie van trainingsdata niet abrupt maar geleidelijk verloopt via een 'gladde instorting' waarbij het model zich geleidelijk concentreert op een paar voorbeelden naarmate de data schaars wordt.
Dit paper introduceert CLIQUE, een model-onafhankelijke methode voor lokale variabele belangrijkheid die beter in staat is om lokale afhankelijkheden en interacties in multiclass-classificatieproblemen vast te leggen dan bestaande technieken zoals LIME en SHAP.
Dit artikel introduceert een nieuw statistisch model voor paarwijze vergelijkingen dat de beperkende aanname van stochastische transitiviteit elimineert door gebruik te maken van een laag-dimensionale schuine-symmetrische matrix, waardoor het superieure voorspellende prestaties biedt in complexe scenario's waar traditionele modellen zoals Bradley-Terry falen.
Dit artikel introduceert een Cholesky-SVM-algoritme dat de beperkingen van traditionele SVM's in niet-Euclidische ruimtes overbrugt door de covariantie van de data in de optimalisatie te integreren, wat leidt tot aanzienlijk betere classificatieprestaties dan bestaande methoden.