331 papers
Deze paper introduceert een nieuwe few-shot beeldfusiemethode die onvolledige prioren combineert met een lichtgewicht neurale netwerk via het Granular Ball Pixel Computation-algoritme, waardoor effectieve fusieregels kunnen worden geleerd met slechts tien beeldparen zonder echte gefuseerde supervisie.
Dit paper introduceert twee nieuwe datagedreven algoritmen die offline versterkte leer- en overlevingsanalyse technieken combineren om optimale prijs- en voorraadbeheerstrategieën te leren in een omgeving met gecensureerde en afhankelijke vraag, waarbij de uitdagingen van ontbrekende winstinformatie en het verlies van de Markov-eigenschap worden overwonnen door het probleem te benaderen als een hoog-ordelijk Markov-beslissingsproces.
Dit paper introduceert Panda, een voorgetraind model dat, getraind op synthetische chaotische systemen, in staat is om zowel korte-termijnvoorspellingen als statistische verdelingen van onbekende chaotische dynamica, inclusief complexe real-world experimenten en partiële differentiaalvergelijkingen, zonder extra training nauwkeurig te voorspellen.
Deze paper introduceert een methode voor tweestalenvergelijking via additieve boommodellen voor het schatten van dichtheidsverhoudingen, die gebruikmaken van een nieuwe 'balancing loss' voor efficiënte training en Bayesiaanse inferentie met onzekerheidskwantificering.
Dit artikel introduceert een snelle methode voor het voltooien van tensores met 'fiber-wise' waarnemingen langs één modus, waarbij de tensor-train decompositie uitsluitend met standaard lineaire algebra wordt berekend onder deterministische voorwaarden.
Dit paper introduceert nieuwe absolute clusterindices om de compactheid en scheidbaarheid van clusters te bepalen en zo het optimale aantal clusters in een dataset te identificeren, waarbij de prestaties worden vergeleken met bestaande validatiemethoden.
Deze paper introduceert en analyseert varianten van random forests die gebaseerd zijn op het principe van maximum risicominimalisatie (MaxRM) om de generalisatie over verschillende omgevingen te verbeteren, waarbij de auteurs efficiënte algoritmen, statistische consistentie en nieuwe out-of-sample garanties bieden.
Dit paper introduceert 'Bayese windtunnels' om aan te tonen dat transformatoren via een specifiek geometrisch mechanisme in hun residual streams en attention-lagen exacte Bayesiaanse inferentie uitvoeren, terwijl vergelijkbare MLP-architecturen hierin falen.
Dit artikel onthult dat cross-entropy-training in transformers via een gekoppeld dynamisch systeem van 'voordeel-gebaseerd routeren' en 'verantwoordelijkheids-gewogen updates' de interne geometrie vormgeeft, waardoor optimering leidt tot Bayesiaanse manifolds die in-context probabilistisch redeneren mogelijk maken.
Deze paper introduceert een nieuwe methode voor het bemonsteren van niet-genormaliseerde Boltzmann-dichtheden door Langevin-samplers te combineren met een stochastisch interpolant-gebaseerde flow ODE, wat leidt tot efficiënte simulatie en robuuste snelheidsschatting met gegarandeerde convergentie.
Dit artikel introduceert een transfer learning-methode voor functionele lineaire regressie die gebruikmaakt van controlevariaties om privacy-bewuste schattingen mogelijk te maken, waarbij voor het eerst een theoretisch verband wordt gelegd met offset-transfer learning en rekening wordt gehouden met discretisatiefouten.
Dit artikel presenteert kwantitatieve foutgrenzen voor Bayes' inverse problemen met generatieve priors, waarbij wordt aangetoond dat de posterieure fout onder bepaalde aannames dezelfde convergentiesnelheid volgt als de prior in de Wasserstein-1-afstand, wat wordt gevalideerd door numerieke experimenten.
Deze paper introduceert HaKAN, een lichtgewicht en interpreteerbaar model voor multivariate tijdsreeksvoorspelling dat Kolmogorov-Arnold-netwerken met Hahn-polynomen combineert om de beperkingen van Transformers en MLPs te overwinnen en state-of-the-art prestaties te behalen.
Dit paper introduceert Singular Bayesian Neural Networks, een methode die de parameters van Bayesiaanse neurale netwerken drastisch reduceert door weight matrices te parameteriseren als een product van lage-rang matrices, waardoor een singuliere posterior ontstaat die betere generalisatie, kalibratie en out-of-detection prestaties biedt dan traditionele mean-field benaderingen.
Dit artikel formaliseert de diversiteitsverliesproblematiek bij classifier-free guidance als 'generative distortion', analyseert de overgangsfase waarin deze vervorming optreedt in hoogdimensionale ruimtes met behulp van statistische fysica, en stelt een theoretisch onderbouwde geleidingsstrategie met een negatief-geleidingsvenster voor om dit te mitigeren.
Dit artikel bewijst dat de asymptotische spectrale eigenschappen en statistische limieten van asymmetrische rank-één spiked tensormodellen met niet-Gaussisch ruis, mits een vierde moment voorhanden is, universeel zijn en overeenkomen met die van het klassieke Gaussische geval.
Dit paper introduceert een unifyend raamwerk voor de detectie van watermerken in grote taalmodellen (LLM's) via e-processen, wat anytime-valid garanties biedt voor online toetsing en de detectiekracht verbetert door adaptieve methoden.
Dit paper introduceert TS_Adam, een lichtgewicht variant van de Adam-optimizer die door het verwijderen van de tweede-orde correctie de prestaties van tijdreeksvoorspellingmodellen aanzienlijk verbetert bij niet-stationaire data met distributiedrift.
Deze paper presenteert een systematische theorie voor stabiliteit en robuustheid in bandit-inferentie door middel van een geregulariseerde stochastische spiegelafstijgingsbenadering, die geldige statistische conclusies mogelijk maakt onder adaptieve bemonstering en corruptie, terwijl gelijktijdig optimale spijtbetalingen worden behaald.
Dit artikel introduceert SDSR, een schaalbaar spectrale divide-and-conquer-algoritme voor het reconstrueren van soortbomen dat, onder het multispecies coalescent-model, een tot 10-voudige snelheidswinst biedt ten opzichte van bestaande methoden zonder in te boeten aan nauwkeurigheid.