333 artigos
Este artigo propõe o método "Randomized Kriging Believer" para otimização bayesiana paralela, que combina baixa complexidade computacional e facilidade de implementação com garantias teóricas de arrependimento, demonstrando eficácia superior em diversos cenários de otimização de funções caras.
Este artigo propõe um novo quadro de regressão ridge funcional baseado em partições para dados de alta dimensão, decompondo a função de coeficientes em componentes dominantes e mais fracos para aplicar penalizações diferenciadas que melhoram a estabilidade numérica, a interpretabilidade e o desempenho preditivo sem depender de seleção explícita de variáveis.
O artigo apresenta o Co-Diffusion, um novo framework de duas etapas baseado em difusão latente que supera as limitações de generalização em regimes de frio extremo ao alinhar embeddings de fármacos e alvos em um manifold orientado pela afinidade e aplicar difusão latente específica de modalidade como regularizador estocástico, resultando em desempenho superior na previsão de afinidade fármaco-alvo, especialmente para estruturas moleculares e famílias proteicas não vistas.
Este trabalho demonstra que uma arquitetura de rede neural tridimensional baseada em funções ReLU permite aproximações exponencialmente mais eficientes e de alta ordem para funções analíticas e , superando limitações teóricas anteriores e oferecendo um caminho para redes mais parcimoniosas em parâmetros.
Este artigo propõe e analisa estimadores de redes neurais profundas baseados no princípio de entropia mínima do erro para regressão não paramétrica com observações dependentes, demonstrando que alcançam a taxa de convergência minimax ótima sob condições de mistura forte.
Este artigo define formalmente a "captura algorítmica" e demonstra que, apesar de sua expressividade universal, os transformers de largura infinita possuem um viés indutivo que os limita a aprender algoritmos de baixa complexidade dentro da classe EPTHS, impedindo a generalização para tarefas computacionalmente mais complexas.
Este artigo apresenta mapas de transporte diagnóstico que recalibram distribuições preditivas iniciais para corrigir erros em regimes de eventos raros, fornecendo diagnósticos locais em tempo real e melhorando a previsão da intensidade de ciclones tropicais em comparação com os modelos operacionais atuais.
O artigo "RIE-Greedy" propõe uma estratégia de seleção de ações puramente gananciosa que utiliza a aleatoriedade inerente ao processo de regularização via validação cruzada durante o treinamento de modelos como uma fonte intrínseca de exploração, demonstrando teoricamente sua equivalência ao Thompson Sampling em bandits de dois braços e validando empiricamente sua eficácia em ambientes de negócios em larga escala.
Este artigo apresenta o estimador de regressão polinomial local "outrigger", um método adaptativo que utiliza a função de pontuação condicional dos erros para alcançar otimidade minimax e robustez frente a diversas distribuições de erro, superando as limitações dos estimadores padrão baseados em mínimos quadrados ponderados.
Este artigo apresenta o wcPCA, uma estrutura unificada para aproximações de baixo posto que otimiza o desempenho no pior caso em cenários com deslocamento de distribuição entre domínios heterogêneos, garantindo otimalidade teórica e demonstrando melhorias significativas em aplicações reais com apenas perdas mínimas no desempenho médio.
O artigo demonstra que, ao contrário dos modelos de difusão, a dinâmica de Langevin não é robusta a erros no estimador da função de pontuação, produzindo distribuições distantes do alvo mesmo com erros arbitrariamente pequenos e em horizontes de tempo polinomiais, o que reforça a preferência pelos modelos de difusão na prática.
O artigo propõe um estimador duplamente robusto com correção de variância jackknife HAC para garantir inferência estatística espacialmente válida e intervalos de confiança confiáveis em cenários de dados com rótulos ausentes e dependentes, superando as distorções causadas pela correlação induzida pelo cross-fitting.
Este artigo introduz e valida uma decomposição teórica da multiplicidade observacional em árvores de decisão, identificando o arrependimento estrutural como o principal fator de variabilidade e demonstrando que o uso dessas medidas como mecanismo de abstenção melhora a segurança e a precisão do modelo.
Este artigo propõe um algoritmo de aprendizado de banda social baseado em energia livre que permite a um agente avaliar e integrar as políticas de outros agentes sem conhecimento de suas recompensas, demonstrando convergência teórica e superioridade empírica ao explorar eficazmente a expertise de agentes não especialistas e diversos para melhorar o aprendizado individual com arrependimento logarítmico.
Este artigo demonstra que a política Follow-the-Perturbed-Leader (FTPL) com distribuições Fréchet e Pareto atinge garantias de "melhor dos dois mundos" (regret ótimo em cenários adversariais e logarítmico em estocásticos) para o problema de semi-bandidos de -conjuntos, além de propor uma estimativa de perda eficiente que reduz a complexidade computacional de para .
Este artigo analisa o colapso de modelos em geradores de linguagem sob uma perspectiva teórica de aprendizado, demonstrando que a reutilização de saídas anteriores (replay) limita fundamentalmente a geração não uniforme e em limite, ao mesmo tempo que valida heurísticas práticas como limpeza de dados e filtragem de saída.
Este capítulo estabelece os fundamentos para o aprendizado de máquina com quatérnions, abordando estatísticas aumentadas, modelos amplamente lineares, cálculo algébrico e estimação de erro quadrático médio para viabilizar a aplicação prática dessa área em crescimento.
Este artigo propõe um novo quadro de "testar e agrupar" (test-then-pool) que utiliza testes de equivalência baseados em discrepância máxima de média (MMD) e procedimentos de bootstrap e permutação parciais para fundir dados de braços de controle históricos e atuais em ensaios clínicos, garantindo rigoroso controle do erro tipo I e maior poder estatístico em comparação com métodos padrão.
O artigo apresenta o EnTransformer, um modelo generativo profundo que combina a técnica de "engression" com arquiteturas Transformer para realizar previsões probabilísticas multivariadas calibradas e coerentes, superando os métodos existentes ao aprender distribuições preditivas condicionais complexas sem assumir formas paramétricas restritivas.
O artigo apresenta a Locally Adjacency Spectral Embedding (LASE), um método que utiliza decomposição espectral ponderada para capturar estruturas localmente de baixa dimensão em redes, superando as limitações das abordagens globais tradicionais e demonstrando ganhos teóricos e empíricos na reconstrução e visualização de dados.