262 papers
Dit artikel introduceert een gestrafeerde cross-validatie-methode voor modelselectie in bipartiete stochastische blockmodellen die voor het eerst consistentie garandeert en uitblinkt door zowel onder- als overfitting aan verschillende kanten van het netwerk effectief aan te pakken.
Deze paper introduceert een schattingsprocedure voor semiparametrische niet-lineaire gemengde modellen met gepenaliseerde splines en automatische differentiatie, die in simulaties en een casestudie over de lengtegroei van zuigelingen een verbeterde inferentiële prestatie en een verlaagde computebelasting oplevert ten opzichte van bestaande methoden.
Dit artikel presenteert een Bayesiaanse aanpak met dynamische lening van historische controlegegevens en gelijktijdige kredibele intervallen voor risicoverhoudingen, die in preklinische kankerverwekkendheidsstudies met binaire uitkomsten de steekproefgrootte van de controlegroep aanzienlijk kan verkleinen terwijl de familie-wise foutenratio wordt beheerst en bescherming tegen drift wordt geboden.
Dit paper introduceert een op vrije-energie gebaseerd algoritme voor sociaal bandietleren dat een agent in staat stelt om de expertise van andere agenten te schatten en hun gedrag effectief te benutten voor verbeterd individueel leren, zelfs in afwezigheid van beloningsinformatie of in aanwezigheid van niet-expert agenten, terwijl het logarithmische regret behoudt.
Dit paper introduceert CIM, een tweestapskader dat causale inferentie en netwerkoptimalisatie combineert om onder budgetbeperkingen een zaadset te selecteren die de totale steady-state uitkomst maximaliseert, met wiskundig bewezen garanties voor zowel de schatting van uitkomstfuncties als de benaderingsverhouding.
Dit paper bewijst dat de FTPL-algoritme met Frechet- en Pareto-verdelingen en een verbeterde conditionele geometrische resampling voor -set semi-bandit problemen zowel in adversariele als stochastische omgevingen optimale 'best-of-both-worlds' spijtbetalingen bereikt met een verlaagde computationele complexiteit.
Dit paper biedt een leertheoretische analyse van modelinstorting bij taalmodellen door een replay-adversariaal te introduceren, en toont aan dat hoewel het reproduceren van eerdere outputs uniform generatie niet schaadt, het wel leidt tot fundamentele beperkingen bij zwakkere generatienotionen, waarbij de gevonden positieve resultaten overeenkomen met praktische heuristieken zoals data-opschoning en watermerken.
Dit artikel introduceert een robuuste methode voor sequentiële hypothese-toetsing met gebruikmaking van gegeneraliseerde schattingsvergelijkingen die, zonder afhankelijke modelaannames, een breder scala aan hypothesen toetst, nauwkeurigere effectgrenzen mogelijk maakt en toepasbaar is op incomplete datasets, zoals geïllustreerd in een longitudinale studie naar hepatitis C.
Dit hoofdstuk legt de fundamentele basis voor quaterniën-machine learning door geavanceerde statistiek, wijd-lineaire modellen, quaterniëncalculus en middelste-kwadraten-schatting te introduceren om onderzoekers in staat te stellen deze multidimensionale domeinen te benutten.
Deze paper introduceert een nieuw test-then-pool-raamwerk voor het fusioneren van controlegroepen in klinische trials, dat gebruikmaakt van kernel-twee-steekproeftesten en equivalentietesten om historische data te benutten terwijl de Type-I-foutstrategie strikt wordt gecontroleerd en de statistische power wordt vergroot.
Dit paper introduceert een schaalbaar kader voor het schatten van individuele behandelingseffecten bij complexe behandelingen, dat een theoretisch geoptimaliseerde weging biedt om de dimensieproblematiek op te lossen en een generatief model ontwikkelt dat de structuur van het behandelmansifold behoudt.
Dit paper introduceert EnTransformer, een diep generatief model dat engression en Transformers combineert om nauwkeurige en gecoördineerde multivariate probabilistische voorspellingen te genereren zonder restrictieve parametrische aannames.
Dit paper introduceert Distributionally Balanced Designs (DBD), een nieuwe klasse van steekproefontwerpen die door het minimaliseren van de energie-afstand tussen de steekproef- en populatieverdeling een betere representativiteit en lagere variantie bereikt dan bestaande methoden, wat vooral waardevol is voor kostbare veldstudies in disciplines zoals ecologie en milieuwetenschappen.
Dit artikel introduceert een nieuwe Bayesiaanse methode voor modelkalibratie die modeldiscrepantie integreert in de simulator via een Gaussian Process-suraat, in plaats van deze als een onafhankelijke 'catch-all' te behandelen zoals in de traditionele KOH-methode, en valideert deze aanpak door inexacte Discrete Dislocatiedynamica-modellen te kalibreren tegen Molecular Dynamics-observaties.
Dit paper introduceert Local Adjacency Spectral Embedding (LASE), een methode die lokale laagdimensionale structuren in netwerken blootlegt door een gewogen spectrale decompositie toe te passen, waardoor de beperkingen van globale benaderingen worden overwonnen en de lokale reconstructie en visualisatie aanzienlijk worden verbeterd.
Dit artikel introduceert een nieuwe analyse van gemiddelde stabiliteit voor multipass Preconditioned SGD die de generalisatie koppelt aan de effectieve dimensie, en laat zien dat een onjuist gekozen preconditioner kan leiden tot suboptimale prestaties door een disbalans tussen de kromming van het populatierisico en de geometrie van de ruis.
Dit artikel presenteert een convex schatter voor de drift van hoogdimensionale Lévy-gedreven Ornstein-Uhlenbeck-processen die een laag-rang plus spaarzaam decompositie benut, en bewijst een niet-asymptotische orakelongelijkheid die aantoont dat deze structuur de afhankelijkheid van de omgevingsdimensie verbetert ten opzichte van puur spaarzame schatters.
Dit artikel bewijst wiskundig en valideert numeriek dat chemische reactienetwerken zonder verborgen lagen bepaalde classificatietaken efficiënter en nauwkeuriger kunnen leren dan spiking-neuronale netwerken die wel verborgen lagen vereisen.
Dit artikel introduceert een nieuwe aanpak voor batch Bayesian Optimal Experimental Design door het optimalisatieprobleem te verheffen naar de ruimte van kansmaten en te benaderen via Wasserstein-gradiëntstromen, wat leidt tot schaalbare, deeltjesgebaseerde algoritmen die effectief multimodale optimalisatielandschappen kunnen verkennen.
Dit artikel biedt een kwantitatieve theoretische analyse van vergeten tijdens post-training van generatieve modellen, waarbij wordt aangetoond dat de richting van de divergentie (forward-KL versus reverse-KL), de overlap tussen taken en het gebruik van replay bepalen of massaal vergeten optreedt of dat vergeten beperkt blijft tot een gecontroleerde drift.