335 artigos
Este artigo introduz um orçamento de deriva intrínseco baseado na distância de Fisher-Rao para caracterizar o aprendizado sob deriva distribucional em ambientes de malha fechada, estabelecendo limites de reprodutibilidade pré-sequencial que demonstram que a taxa de deriva média impõe um limite inferior irreduzível à precisão de previsão.
Este artigo propõe um quadro estatístico unificado que demonstra que a augmentação sintética em aprendizado desbalanceado nem sempre é benéfica, dependendo do regime de simetria local e do alinhamento do gerador, e recomenda a estratégia de Tamanho Sintético Ajustado por Validação (VTSS) para otimizar a quantidade de amostras geradas.
Este artigo estabelece a teoria de homologia para grupoides amplos, demonstrando uma sequência exata curta de coeficientes universais para coeficientes discretos, identificando as obstruções para coeficientes não discretos e construindo uma sequência exata de Mayer-Vietoris para cálculos explícitos.
Este artigo propõe um modelo estatístico baseado em fatoração tensorial que combina dados abundantes de avaliadores automáticos com um conjunto limitado de rótulos humanos para realizar avaliações de modelos generativos em nível de prompt, superando gargalos de dados e oferecendo previsões precisas de preferências humanas com intervalos de confiança rigorosos.
Este artigo defende a adoção de um novo paradigma para a descoberta causal, que integra plataformas de crowdsourcing, elicitação de conhecimento especializado e simulação baseada em modelos de linguagem para sintetizar o conhecimento fragmentado de múltiplos agentes e reconstruir estruturas causais globais inatingíveis por indivíduos isolados.
Este artigo corrige erros teóricos presentes na formulação original do UMAP, fornecendo uma derivação completa e autossuficiente dos funtores de Spivak e sua variante finita, além de analisar a correspondência entre essa teoria e o algoritmo prático.
Este artigo propõe o "Learning Order Forest", um método de agrupamento para dados de atributos qualitativos que utiliza uma estrutura de floresta de árvores para aprender e representar relações de ordem locais entre valores, otimizando simultaneamente as árvores e os clusters para obter resultados superiores em comparação com métodos existentes.
Este artigo propõe e valida teoricamente uma nova estratégia adaptativa de seleção de parâmetros para descida de gradiente baseada em kernels, que integra análise de viés-variância e o conceito de dimensão efetiva empírica para alcançar limites ótimos de erro de generalização e superar os métodos existentes.
Este trabalho introduz a Energia Livre Surprisal-Rényi (SRFE), um funcional baseado em momentos logarítmicos que recupera as divergências KL direta e reversa como limites singulares, revelando um compromisso explícito entre média e variância e fornecendo uma interpretação precisa de Comprimento Mínimo de Descrição através de limites de grandes desvios.
Este artigo propõe um modelo escalável de descoberta causal que, ao integrar dados observacionais e intervencionais com intervenções suaves desconhecidas, utiliza regras de orientação contrastivas para recuperar a estrutura causal subjacente de forma mais precisa e generalizável do que métodos não contrastivos.
Este artigo propõe um algoritmo minimax ótimo para aprendizado por reforço com observações de estado atrasadas, combinando métodos de augmentação e limites superiores de confiança para alcançar um limite de arrependimento que coincide com o limite inferior teórico.
O artigo demonstra que a existência de exemplos adversariais e a falta de robustez em redes neurais decorrem de um desalinhamento exponencial entre as dimensões das variedades perceptivas das máquinas e as dos conceitos humanos, sugerindo que a verdadeira robustez só é alcançável quando essas dimensões são alinhadas.
O artigo apresenta o CausalMix, um framework generativo variacional que preenche a lacuna entre realismo distribucional e controle causal em dados tabulares mistos, permitindo a manipulação independente de sobreposição, confusão não medida e heterogeneidade de efeitos para validação de métodos e estudos de simulação.
Este artigo demonstra que a reformulação algébrica de funções objetivo e o desenho de benchmarks podem gerar desvios locais estruturados da intuição do Teorema "No Free Lunch", criando reclassificações estáveis e padrões de desempenho que exigem uma escolha de algoritmos consciente tanto da classe de problemas quanto da representação do objetivo.
Este artigo apresenta uma estrutura rigorosa para estender operadores neurais a funções fora da distribuição de treinamento, utilizando aproximações de kernel e espaços de Hilbert de núcleo reprodutor para garantir a precisão na captura de valores e derivadas, com validação empírica na resolução de equações diferenciais parciais elípticas em variedades.
Este trabalho estabelece a convergência forte de ordem 1/2 para um esquema de Euler-Maruyama geométrico aplicado a equações diferenciais estocásticas em variedades Riemannianas, fornecendo como aplicação uma cota de Wasserstein para amostragem via dinâmica de Langevin Riemanniana.
Este trabalho deriva uma nova identidade de Stein para q-Gaussianas com suporte limitado, generalizando teoremas anteriores e simplificando sua aplicação via distribuições de escolta, o que permite estimadores de gradiente com baixa variância úteis para aprendizado profundo bayesiano e minimização sensível à nitidez.
Este trabalho estabelece limites de erro de amostragem finita para modelos de difusão baseados em pontuação, demonstrando que eles se adaptam à estrutura intrínseca de baixa dimensão dos dados e superam a maldição da dimensionalidade, com taxas de convergência que dependem da dimensão de Wasserstein da distribuição em vez da dimensão ambiente.
Este artigo propõe o framework "Two-Phase Suffix Imitation" para resolver o problema de Bandit Contextual Inverso sem recompensas, demonstrando que um observador passivo pode recuperar a política ótima com a mesma eficiência assintótica que um agente que tem acesso às recompensas, apesar da não estacionariedade dos dados.
Este trabalho propõe o R-Design, um novo paradigma de design experimental adaptativo que utiliza dados observacionais como prioridade para estimar apenas os resíduos de viés, demonstrando teoricamente e empiricamente que essa abordagem é mais eficiente do que aprender efeitos causais do zero.