262 artigos
Este artigo propõe uma abordagem de validação cruzada penalizada para a seleção de modelos em redes bipartidas, oferecendo pela primeira vez garantias teóricas de consistência e superando métodos tradicionais ao lidar com o desafio de subajuste e sobreajuste assimétricos entre os dois conjuntos de nós.
Este artigo apresenta um procedimento de estimação para modelos de efeitos mistos não lineares que utiliza splines penalizados e diferenciação automática via Template Model Builder para obter derivadas exatas, demonstrando desempenho inferencial superior e menor carga computacional em estudos de simulação e em uma aplicação sobre o crescimento de altura de bebês.
O artigo propõe abordagens bayesianas robustas que utilizam dados de controle históricos para reduzir o tamanho amostral de grupos de controle em estudos pré-clínicos com resultados binários, conseguindo diminuir o uso de animais enquanto mantêm o controle da taxa de erro familiar e protegem contra desvios.
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 trabalho apresenta o CIM, uma estrutura de dois estágios que maximiza o potencial de resultado em estado estacionário em redes, combinando a aprendizagem de funções de resposta à exposição com restrições de forma e uma estratégia gananciosa para fornecer garantias teóricas tanto na estimação causal quanto na razão de aproximação da maximização de influência.
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 artigo desenvolve uma metodologia robusta de teste de hipóteses sequencial baseada em Equações de Estimação Generalizadas (GEE) que, ao evitar suposições de modelagem prejudiciais, permite testar um leque mais amplo de hipóteses, fornece teoria assintótica para matrizes de covariância conjuntas, facilita a construção de limites de eficácia mais precisos e lida com dados incompletos, sendo validada por simulações e aplicada a um estudo longitudinal sobre hepatite C.
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.
Este artigo propõe uma nova abordagem de aprendizado de representação causal para cenários de múltiplos tratamentos que elimina a necessidade de seleção heurística de hiperparâmetros através de um estimador teórico de pesos de balanceamento ótimos e introduz o modelo Multi-Treatment CausalEGM, garantindo escalabilidade constante e alta precisão na estimativa de efeitos de tratamento individuais.
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 propõe os Projetos de Amostragem Balanceados Distribucionalmente (DBD), uma nova classe de designs probabilísticos que maximiza a representatividade ao minimizar a discrepância entre as distribuições auxiliares da amostra e da população, oferecendo estimativas mais precisas e com menor variância para aplicações em ciências ambientais onde a coleta de dados é custosa.
Este artigo apresenta uma abordagem inovadora de calibração bayesiana que integra o termo de discrepância diretamente no simulador via processos gaussianos, assumindo que os erros de forma do modelo podem ser atribuídos à incerteza dos parâmetros de entrada, e valida essa metodologia aplicando-a à calibração de um simulador de dinâmica de discordâncias discretas contra observações de dinâmica molecular.
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.
Este artigo estabelece uma análise de estabilidade algorítmica média para o SGD pré-condicionado multipass, demonstrando que a escolha inadequada do pré-condicionador pode levar a uma dependência subótima na dimensão efetiva, prejudicando tanto a otimização quanto a generalização.
Este artigo propõe e analisa um estimador convexo que combina penalidades de norma nuclear e para recuperar matrizes de deriva de baixa classificação e esparsas em processos de Ornstein-Uhlenbeck de alta dimensão acionados por ruído de Lévy, demonstrando que essa estrutura híbrida melhora a dependência da dimência ambiente na estimativa de risco em comparação com métodos puramente esparsos.
Este artigo demonstra matematicamente e experimentalmente que redes de reações químicas sem camadas ocultas podem aprender tarefas de classificação com maior eficiência e precisão do que redes de neurônios pulsantes que exigem camadas ocultas, oferecendo uma explicação teórica para o potencial aprendizado mais eficiente em redes bioquímicas celulares.
Este artigo propõe uma nova abordagem para o desenho ótimo de experimentos bayesianos em lote, baseada em fluxos de gradiente de Wasserstein e uma formulação probabilística que permite explorar paisagens de otimização complexas e obter lotes de alta utilidade através de algoritmos de partículas escaláveis.
Este artigo estabelece uma caracterização quantitativa do esquecimento no pós-treinamento contínuo de modelos generativos, demonstrando teoricamente como a direção da divergência de KL (forward vs. reverse), a sobreposição geométrica das distribuições e o uso de replay determinam se ocorre colapso de massa ou deriva de componentes, fornecendo condições explícitas para mitigar esses efeitos em métodos recentes.