329 artigos
O artigo demonstra que os métodos atuais de aprendizado profundo tabular baseado em grafos falham em recuperar interações de características significativas, sugerindo que priorizar a modelagem precisa da estrutura do gráfico é essencial para melhorar a precisão preditiva.
Este artigo propõe um novo método escalável e regularizado para o cálculo de barycentros de Wasserstein, baseado em fluxos de gradiente e mini-batches, que integra informações supervisionadas e supera os métodos existentes em benchmarks de adaptação de domínio.
Este artigo apresenta os "Mercer priors", uma nova classe de distribuições a priori para redes neurais bayesianas que, ao serem derivadas da representação de Mercer de kernels de covariância, permitem que a rede aproxime amostras de um Processo Gaussiano específico, unindo assim a interpretabilidade dos GPs com a escalabilidade das redes neurais.
O artigo propõe um método de regularização direcionada no espaço latente que identifica e reduz a dependência de eixos de atalho por meio da injeção de ruído anisotrópico, melhorando a generalização fora de distribuição sem exigir rótulos de atalho ou exemplos conflitantes.
O artigo apresenta a Regressão Isotônica Shapley Esparsa (SISR), um novo framework unificado de explicação não linear que supera as limitações de aditividade e custo computacional dos valores Shapley tradicionais ao aprender simultaneamente uma transformação monótona para restaurar a aditividade e impor esparsidade para identificar características relevantes em espaços de alta dimensão.
Este trabalho propõe uma abordagem de coarsening para grafos espaciais que reduz o número de nós preservando as características topológicas essenciais através do colapso de arestas curtas, utilizando uma nova filtração "triangle-aware" para gerar diagramas de persistência adaptados, resultando em um método sem parâmetros, equivariante a transformações geométricas e eficaz na redução de tamanho dos grafos.
Este artigo propõe métodos de aprendizado por reforço offline com base em ator-crítico e oráculos de estimativa robusta esparsa que fornecem as primeiras garantias não-vazias para a obtenção de políticas quase ótimas em MDPs esparsos de alta dimensão sob cobertura de concentrabilidade de política única e forte contaminação de dados, superando as limitações de abordagens tradicionais como a Iteração de Valor por Mínimos Quadrados (LSVI) nesse cenário.
Este artigo propõe e avalia uma abordagem de Inferência Bayesiana Amortizada (ABI) adaptada para dados em grafos, combinando codificadores invariantes a permutações com estimadores neurais de posterior para realizar inferência rápida e sem verossimilhança sobre parâmetros em níveis de nós, arestas e grafos, demonstrando eficácia em cenários sintéticos e em domínios reais de biologia e logística.
Este artigo propõe um modelo escalável de processos gaussianos multitarefa com covariáveis funcionais, que utiliza uma estrutura de kernel separável para capturar dependências entre tarefas e entradas funcionais, permitindo previsões precisas com quantificação de incerteza em sistemas mecânicos complexos, como uma montagem rebitada, com menos de 100 amostras e menor custo computacional de aprendizado em comparação com modelos de tarefa única.
Este artigo estabelece um novo princípio de partição que demonstra que amostragens estratificadas baseadas em partições de volumes não iguais produzem uma discrepância estrela esperada inferior e limites superiores mais rigorosos do que a amostragem jittered clássica, oferecendo uma base teórica para sua aplicação em integração numérica de alta dimensão.
O artigo apresenta o paradigma de agrupamento Khatri-Rao, que estende métodos tradicionais como k-Means e agrupamento profundo ao postular que os centróides surgem da interação de conjuntos de protocentróides, resultando em resumos de dados mais sucintos e precisos.
Este artigo propõe o LAE-EnKF, um filtro de Kalman baseado em autoencoders latentes que reformula a assimilação de dados em um espaço latente com dinâmicas lineares e estáveis, superando as limitações de não linearidade do filtro de Kalman tradicional e demonstrando maior precisão e estabilidade em sistemas caóticos.
O NEST é um framework de placemento de dispositivos para aprendizado profundo distribuído que unifica o paralelismo de modelo, a modelagem de topologia de rede e a viabilidade de memória através de programação dinâmica estruturada, resultando em melhorias significativas de throughput e eficiência em comparação com métodos anteriores.
O artigo apresenta o CREDO, um método que combina envelopes credais interpretáveis com conformalização para gerar intervalos de previsão em regressão que garantem cobertura marginal sem distribuição, ao mesmo tempo que explicitam a incerteza epistêmica e melhoram a adaptabilidade à esparsidade dos dados.
Este artigo estabelece a taxa minimax exata de arrependimento para o comércio bilateral contextual sob valorações com variância infinita, demonstrando que um algoritmo baseado em estimativa de média truncada e limites de auto-limitação alcança um desempenho ótimo que interpola entre as taxas não paramétricas clássicas e a taxa linear trivial à medida que a ordem do momento finito varia.
Este artigo apresenta uma abordagem unificada que integra princípios variacionais, funções de Green e o método das características para construir kernels adaptados a equações de transporte, permitindo a aproximação precisa de funções próprias de Koopman em sistemas dinâmicos não lineares através de um framework de otimização convexa e aprendizado de múltiplos kernels.
Este artigo demonstra que, embora a aplicação de restrições de justiça em modelos de aprendizado de máquina que utilizam atributos sensíveis sempre melhore (ou não altere) os resultados do grupo desfavorecido, a imposição de justiça em regimes que ignoram esses atributos pode levar a um "nivelamento por baixo", prejudicando ambos os grupos dependendo da distribuição dos dados.
Este artigo demonstra que, embora o treinamento pós-estabelecido com gradientes de política e recompensas de resultado seja minimax-ótimo para amostras dentro do suporte do modelo base, ele enfrenta uma barreira exponencial para generalizar além desse suporte, a qual pode ser superada utilizando recompensas de processo que dependem de uma quantia de verossimilhança em nível de token para evitar a maldição da dimensionalidade.
O artigo demonstra que a regulação de justiça baseada apenas no efeito médio de tratamento (ATE) pode ser enganosa, pois permite que sistemas otimizem objetivos como lucro ou redução de crime enquanto mascaram desigualdades causais através de confusão, o que exige uma verificação de independência condicional completa e uma regulação no nível do modelo em vez de apenas nas decisões.
Este artigo propõe o problema de aprendizado online "Combinatorial Allocation Bandits" (CAB), que visa maximizar a satisfação dos braços em vez do número de correspondências, apresentando algoritmos de limite superior de confiança e de amostragem de Thompson com limites de arrependimento aproximados e validação experimental.