309 artigos
Esta tese aborda a confiabilidade da inferência baseada em simulação ao diagnosticar e mitigar conclusões excessivamente confiantes em modelos de aprendizado de máquina, propondo técnicas de regularização como "balancing" e o uso de redes neurais bayesianas para garantir aproximações calibradas ou conservadoras.
Este artigo propõe um quadro para estimar e realizar inferência sobre efeitos causais principais heterogêneos sob a suposição de ignorabilidade principal, desenvolvendo múltiplos estimadores com diferentes níveis de robustez e estabelecendo sua teoria assintótica, com aplicação ilustrativa no ensaio aleatorizado do Camden Coalition.
Este artigo apresenta uma abordagem axiomática para processos de decisão de Markov robustos em espaços de Borel com distribuições de perturbação desconhecidas, demonstrando que, ao definir conjuntos de ambiguidade baseados em funções de distância, é possível garantir limites de desempenho fora da amostra com alta probabilidade e taxas de convergência que os processos empíricos tradicionais não conseguem oferecer.
Este livro propõe uma reinterpretação estatística da IA generativa, utilizando o Flow Matching como exemplo central para transformar modelos generativos em ferramentas de inferência estatística rigorosa que permitem imputação de dados, análise contrafactual e inferência causal em problemas de alta dimensionalidade, mantendo a validade inferencial através de técnicas como ortogonalização e cross-fitting.
Este artigo verifica que observadores persistentes em substratos de hipergrafos satisfazem o Teorema do Bom Regulador de Conant-Ashby, demonstrando que a descida de gradiente natural é a regra de aprendizado admissível e derivando um parâmetro de regime específico para o framework de Vanchurin, embora essa previsão seja fortemente dependente do modelo escolhido.
Este artigo apresenta um protocolo aprimorado para o problema de especialistas distribuídos que minimiza o arrependimento e a comunicação ao calcular perdas baseadas na norma sobre múltiplos servidores.
Este artigo propõe um framework unificado de amostragem generativa, baseado na reversibilidade temporal e na minimização da discrepância máxima de média (MMD) entre trajetórias de Markov, que permite amostrar distribuições complexas em espaços contínuos, discretos ou híbridos sem depender de gradientes de pontuação ou relaxações contínuas, utilizando apenas avaliações de energia.
Este trabalho estabelece novos limites de generalização transdutiva baseados em transporte ótimo e distâncias de Wasserstein para classificação de nós em grafos, demonstrando que são computacionalmente eficientes, correlacionam-se fortemente com o desempenho empírico e revelam como o processo de agregação de GNNs cria um compromisso entre concentração intraclasse e separação interclasse que explica a relação não monotônica entre profundidade e erro de generalização.
Este artigo preenche lacunas na análise do Thompson Sampling com Processos Gaussianos (GP-TS) ao estabelecer limites de arrependimento inferiores e superiores, incluindo limites de segundo momento, arrependimento "leniente" esperado e uma melhoria no limite cumulativo em relação ao horizonte temporal , superando as limitações anteriores que se restringiam principalmente a limites de arrependimento esperados.
Este artigo estabelece um teorema de comparação gaussiana não assintótico que conecta a evolução de algoritmos de treinamento em modelos de mistura gaussiana a um sistema dinâmico substituto, permitindo provar rigorosamente expressões de campo médio dinâmico e introduzir um esquema de refinamento iterativo para cenários não assintóticos.
O artigo apresenta a Robust Regularized Policy Iteration (RRPI), um novo método de aprendizado por reforço offline que formula a otimização da política como um problema robusto sob incerteza de transição, substituindo um objetivo bilevel intratável por um surrogate regularizado por KL para garantir convergência e desempenho superior em benchmarks como o D4RL.
Este trabalho apresenta o VMoER, uma abordagem bayesiana estruturada que confere quantificação de incerteza calibrada e escalável aos modelos de mistura de especialistas (MoE) ao aplicar inferência variacional apenas na etapa de roteamento, melhorando significativamente a estabilidade, a calibração e a detecção de dados fora da distribuição com um custo computacional marginal.
O artigo apresenta o BRACE, um algoritmo sem parâmetros para bandits com não conformidade que resolve o dilema de escolha de objetivos entre o bem-estar das recomendações e o aprendizado de tratamentos, garantindo validação simultânea de políticas e intervalos estruturais honestos mesmo sob identificação fraca ou falha de homogeneidade.
Este artigo apresenta o algoritmo a-TMFG, uma abordagem escalável que supera as limitações de memória e tempo do TMFG tradicional ao utilizar grafos de k-vizinhos mais próximos e gerenciamento de memória para construir representações gráficas eficientes em conjuntos de dados com milhões de observações.
Este artigo apresenta um quadro unificado para a fatoração de matrizes não negativas (NMF) tradicional e convexa, utilizando funções de custo baseadas nas distribuições Tweedie e Binomial Negativa, derivando regras de atualização multiplicativa via algoritmos MM e validando empiricamente a superioridade desses modelos em dados com sobredispersão.
Este artigo relata a descoberta experimental de um novo fenômeno aritmético chamado "murmurações", que, embora identificado por meio de ferramentas de inteligência artificial, constitui um conceito genuíno na teoria dos números que codifica informações sobre traços de Frobenius e se conecta a temas centrais como a conjectura de Birch e Swinnerton-Dyer e a teoria de matrizes aleatórias.
Este artigo estabelece limites superiores de generalização para osciladores neurais baseados em equações diferenciais de segunda ordem, demonstrando teoricamente que seus erros de estimação crescem polinomialmente com o tamanho da rede e o tempo, evitando a maldição da complexidade paramétrica, e validando que a regularização das constantes de Lipschitz melhora o desempenho em sistemas não lineares sob excitação sísmica estocástica.
Este artigo apresenta um novo framework hierárquico de aprendizado multi-tarefa e multi-fidelidade baseado em processos gaussianos que unifica a exploração de similaridades entre tarefas e a heterogeneidade dos dados para criar modelos substitutos mais precisos e eficientes em termos de dados para sistemas de manufatura.
Este artigo propõe uma nova família de normas de operador normalizadas por média que permitem o controle independente da largura das constantes de Lipschitz e suavidade, resultando no otimizador MOGA, que garante transferência estável de taxas de aprendizado entre diferentes larguras de modelo e supera o Muon em regimes de baixa perda e grandes tokens.
Este artigo apresenta duas abordagens de detecção de pontos de mudança baseadas em redes neurais e aprendizado online, que possuem complexidade computacional linear, superam os métodos existentes em diversos conjuntos de dados e são provadas convergir para soluções ótimas.