259 papers
Dit paper introduceert ResNMTF, een nieuwe methode voor multi-view biclustering via niet-negatieve matrixtri-factorisatie die overlappende en niet-uitputtende biclusters kan identificeren zonder vooraf kennis van het aantal clusters, en introduceert bovendien de bisilhouet-score als een geschikte intrinsieke maatstaf voor validatie en hyperparameteroptimalisatie.
Deze studie presenteert semiparametrische efficiënte schatters en een inferentiekader voor het aanpassen van covariaten in meercentrische gerandomiseerde trials, waarbij rekening wordt gehouden met clusterings effecten om de schattingsnauwkeurigheid te verbeteren en de dekking van betrouwbaarheidsintervallen te waarborgen, zelfs bij modelmisspecificatie.
Dit artikel introduceert een niet-parametrisch gewogen Random Dot Product Graph-model (WRDPG) dat latent posities gebruikt om de volledige verdeling van randgewichten te modelleren via momentgenererende functies, en biedt hierbij consistente schatters, asymptotische normaliteit en een generatief kader voor het simuleren van gewogen netwerken.
Deze paper verbetert de theoretische convergentievoorwaarden voor Flow Matching in hoge dimensies door de afhankelijkheid van de Lipschitz-constante te beheersen, waardoor een betere schatting van de Wasserstein-1-afstand mogelijk wordt voor onbegrensde verdelingen zonder log-concaviteit.
Dit artikel presenteert een raamwerk voor het onderscheiden en schatten van operationele en ultieme capaciteit in multimodale zeehavens, waarbij het Haven van Houston als casestudy dient om aan te tonen dat vloeibare bulkterminals en pilotbeschikbaarheid onder verschillende omstandigheden de kritieke knelpunten vormen.
Dit artikel onderzoekt het bestaan en de berekening van Busemann-functies in de Wasserstein-ruimte, waarbij gesloten vormen worden afgeleid voor een-dimensionale en Gaussische verdelingen om nieuwe, efficiënte Sliced-Wasserstein-afstanden voor projectie en transfer learning te definiëren.
Dit paper introduceert het concept van 'gecontroleerd leren' waarbij een leerder toegang heeft tot twee concurrerende bewijzers om op basis van slechts één query naar de grondwaarheid en beperkte communicatie een model te selecteren dat aanzienlijk nauwkeuriger is dan wat met een enkele bewijzer haalbaar zou zijn.
Dit artikel biedt een verenigd Bayesiaans perspectief dat in-context learning en activatiesturing als twee aspecten van één raamwerk beschrijft, waarbij de eerste de accumulatie van bewijs vertegenwoordigt en de tweede de concept-priors aanpast, wat leidt tot een voorspellend model voor het beheersen van het gedrag van grote taalmodellen.
Deze paper introduceert drie schaalbare algoritmen op basis van Variational Bayes en Expectation Propagation voor de benadering van de posteriorverdeling in cumulatieve probit-regressiemodellen, die bij grote datasets superieure rekenprestaties en nauwkeurigheid bieden ten opzichte van traditionele MCMC-methode.
Deze studie introduceert een strategie met boomgebaseerde ensemble-modellen om in plaats van enkelvoudige voorspellingen volledige waarschijnlijkheidsverdelingen voor toekomstige conflicten te schatten, waardoor de onzekerheid in dergelijke prognoses beter wordt gekwantificeerd en de prestaties worden verbeterd, zelfs in regio's met een hoge mate van nul-inflatie.
Dit paper lost het paradoxale verschil op tussen de verbondenheid van minima in het verlieslandschap en de lokale beperking van optimalisatie door aan te tonen dat entropische barrières, veroorzaakt door krommingsvariaties en ruis, de dynamiek effectief terugduwen naar de eindpunten.
Dit artikel presenteert een systematische evaluatie van GPT- en Gemini-modellen die aantoont dat deze grote taalmodellen effectief optimale tweeledige fractionele factoriële ontwerpen kunnen genereren voor experimenten met 8, 16 of 32 runs en maximaal acht factoren.
Dit artikel presenteert een Bayesiaanse tweestapsbenadering die onzekerheid in de subgroepidentificatie meeneemt in de effectschatting, waardoor beter gekalibreerde betrouwbaarheidsintervallen worden verkregen voor gepersonaliseerde geneeskunde, zoals geïllustreerd in een COVID-19-proef.
Dit artikel bepaalt de scherpe informatie-theoretische drempels voor het detecteren van latente geometrie in bipartiete willekeurige meetkundige grafen met ruis, waarbij een nieuw Fourier-analytisch raamwerk wordt gebruikt om aan te tonen dat het probleem aanzienlijk eenvoudiger is wanneer het masker van de waarnemingen bekend is, en dat er geen kloof bestaat tussen computationele en statistische limieten.
Dit artikel sluit een bestaande kennislacune door een expliciete asymptotische expansie voor logaritmische Laplace-integralen in hoge dimensies af te leiden die geldig blijft in het intermediate regime vlakbij de concentratiedrempel, waarbij zowel analytische benaderingen voor verwachtingen als nauwkeurige polynoomtransporten voor bemonstering worden geboden.
Deze paper introduceert de 'Randomized Kriging Believer', een parallelle Bayesiaanse optimalisatiemethode die een uitstekende balans biedt tussen lage rekencomplexiteit, eenvoudige implementatie en theoretische regret-garanties voor het efficiënt optimaliseren van dure zwarte-doosfuncties.
Dit artikel bewijst dat het herwegen van randen in een Stochastic Block Model op basis van Lin-Lu-Yau Ricci-kromming leidt tot een verbeterde spectrale clustering voor gemeenschapsdetectie, waarbij zowel de uniforme concentratie van kromming als de nauwkeurige tracking van iteratieve herwegen over een vaste tijdsduur wordt aangetoond.
Dit artikel betoogt dat standaard pseudorandom-getalgeneratoren de causale validiteit van agent-gebaseerde modellen ondermijnen door hun afhankelijkheid van de uitvoeringsvolgorde, en stelt dat het combineren van teller-gebaseerde generatoren met gebeurtenis-ID's een noodzakelijke oplossing biedt om de causale coherentie van contrafactuele simulaties te herstellen.
Dit artikel introduceert een partition-based functional ridge regression-framework dat multicollineariteit en overfitting in hoog-dimensionale functionele lineaire modellen aanpakt door de coëfficiëntfunctie te decomponeren in dominante en zwakkere effecten voor differentieel straffen, wat resulteert in verbeterde numerieke stabiliteit, interpretatie en voorspellende prestaties.
Dit artikel introduceert Co-Diffusion, een tweestaps latent diffusion-framework dat de generalisatie van voorspellingen voor geneesmiddel-doelwitaffiniteit verbetert door een affiniteitsgestuurde latente manifold te combineren met modale-specifieke diffusie voor robuuste zero-shot prestaties in onbekende chemische ruimtes.