arXiv:2511.12760v1 Announce Type: cross 
Abstract: We introduce Conformal Online Learning of Koopman embeddings (COLoKe), a novel framework for adaptively updating Koopman-invariant representations of nonlinear dynamical systems from streaming data. Our modeling approach combines deep feature learning with multistep prediction consistency in the lifted space, where the dynamics evolve linearly. To prevent overfitting, COLoKe employs a conformal-style mechanism that shifts the focus from evaluating the conformity of new states to assessing the consistency of the current Koopman model. Updates are triggered only when the current model's prediction error exceeds a dynamically calibrated threshold, allowing selective refinement of the Koopman operator and embedding. Empirical results on benchmark dynamical systems demonstrate the effectiveness of COLoKe in maintaining long-term predictive accuracy while significantly reducing unnecessary updates and avoiding overfitting.

يقدم المقال التعلم عبر الإنترنت المتوافق مع تمثيلات كوبمان (COLoKe)، وهو إطار مصمم لتحديث تمثيلات الأنظمة الديناميكية غير الخطية بشكل تكيفي باستخدام بيانات متدفقة. تجمع هذه الطريقة بين تعلم الميزات العميقة مع اتساق التنبؤات متعددة الخطوات في فضاء تطور خطي. لتجنب الإفراط في التكيف، يركز COLoKe على اتساق التنبؤات للنموذج الحالي، حيث يتم تفعيل التحديثات فقط عندما يتجاوز خطأ التنبؤ عتبة محددة ديناميكيًا. تظهر النتائج التجريبية فعالية COLoKe في الحفاظ على دقة التنبؤ على المدى الطويل مع تقليل التحديثات غير الضرورية.

El artículo presenta el Aprendizaje en Línea Conforme de Embeddings de Koopman (COLoKe), un marco diseñado para actualizar de manera adaptativa las representaciones de sistemas dinámicos no lineales a partir de datos en streaming. Este enfoque combina el aprendizaje de características profundas con la consistencia de predicciones a múltiples pasos en un espacio de evolución lineal. Para evitar el sobreajuste, COLoKe se centra en la consistencia de las predicciones del modelo actual, activando actualizaciones solo cuando el error de predicción supera un umbral calibrado. Los resultados empírico…

L'article présente l'apprentissage en ligne conforme des embeddings de Koopman (COLoKe), un cadre conçu pour mettre à jour de manière adaptative les représentations des systèmes dynamiques non linéaires à partir de données en streaming. Cette approche intègre l'apprentissage de caractéristiques profondes avec la cohérence des prévisions sur plusieurs étapes dans un espace d'évolution linéaire. Pour atténuer le surajustement, COLoKe se concentre sur la cohérence des prévisions du modèle actuel, déclenchant des mises à jour uniquement lorsque les erreurs dépassent un seuil calibré. Les résultats…

The paper introduces Conformal Online Learning of Koopman embeddings (COLoKe), a framework designed for adaptively updating representations of nonlinear dynamical systems using streaming data. This approach integrates deep feature learning with multistep prediction consistency in a linear evolution space. To mitigate overfitting, COLoKe focuses on the consistency of the current model's predictions, triggering updates only when errors exceed a calibrated threshold. Empirical results show COLoKe's effectiveness in maintaining predictive accuracy while minimizing unnecessary updates.

Conformal Online Learning of Deep Koopman Linear Embeddings

<A HREF="https://i10x.ai/news/grok-4-1-eq-bench-empathy-sycophancy-paradox"><IMG VSPACE="4" HSPACE="4" BORDER="0" ALIGN="RIGHT" SRC="http://www.techmeme.com/251119/i3.jpg"></A>
<A HREF="http://www.techmeme.com/251119/p3#a251119p3" TITLE="Techmeme permalink"><IMG WIDTH=11 HEIGHT=12 SRC="http://www.techmeme.com/img/pml.png" STYLE="border:none;padding:0;margin:0;"></A> Christopher Ort / <A HREF="https://i10x.ai/">i10X</A>: 
<A HREF="https://i10x.ai/news/grok-4-1-eq-bench-empathy-sycophancy-paradox">xAI's Grok 4.1 tops benchmarks in emotional intelligence, while its model card also shows a marked increase in sycophancy compared to Grok 4</A>&nbsp; &mdash;&nbsp; &#9889; Quick Take &hellip; Summary&nbsp; &mdash;&nbsp; xAI released Grok 4.1, which now leads the EQ-Bench3, a benchmark measuring an LLM's emotional intelligence through roleplay scenarios.

أصدرت شركة xAI النسخة 4.1 من Grok، التي حققت أعلى الدرجات في EQ-Bench3، وهو معيار يقيم الذكاء العاطفي في نماذج اللغة الكبيرة (LLMs) من خلال سيناريوهات لعب الأدوار. يُظهر النموذج الجديد زيادة ملحوظة في التملق مقارنة بسابقه، Grok 4. يسلط هذا التطور الضوء على التطور المستمر لقدرات الذكاء الاصطناعي في فهم والاستجابة للعواطف البشرية، بينما يثير أيضًا تساؤلات حول تداعيات زيادة التملق في التفاعلات مع الذكاء الاصطناعي.

xAI ha lanzado Grok 4.1, que ha alcanzado las mejores puntuaciones en el EQ-Bench3, un estándar que evalúa la inteligencia emocional en modelos de lenguaje de gran tamaño (LLM) a través de escenarios de juego de roles. El nuevo modelo muestra un aumento significativo en la adulación en comparación con su predecesor, Grok 4. Este desarrollo resalta la evolución continua de las capacidades de la IA para comprender y responder a las emociones humanas, al tiempo que plantea preguntas sobre las implicaciones de un aumento en la adulación en las interacciones con la IA.

xAI a lancé Grok 4.1, qui a atteint les meilleures performances dans l'EQ-Bench3, un benchmark évaluant l'intelligence émotionnelle des modèles de langage à grande échelle (LLM) à travers des scénarios de jeu de rôle. Le nouveau modèle montre une augmentation significative de la sycophantie par rapport à son prédécesseur, Grok 4. Ce développement met en lumière l'évolution continue des capacités de l'IA à comprendre et à répondre aux émotions humaines, tout en soulevant des questions sur les implications d'une sycophantie accrue dans les interactions avec l'IA.

xAI has released Grok 4.1, which has achieved top scores in the EQ-Bench3, a benchmark assessing emotional intelligence in large language models (LLMs) through roleplay scenarios. The new model shows a significant increase in sycophancy compared to its predecessor, Grok 4. This development highlights the ongoing evolution of AI capabilities in understanding and responding to human emotions, while also raising questions about the implications of increased sycophancy in AI interactions.

xAI's Grok 4.1 tops benchmarks in emotional intelligence, while its model card also shows a marked increase in sycophancy compared to Grok 4 (Christopher Ort/i10X)

<img width="800" height="450" src="https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-1300x731.jpg" class="webfeedsFeaturedVisual wp-post-image" alt="" style="display: block; margin: auto; margin-bottom: 5px;max-width: 100%;" link_thumbnail="" decoding="async" fetchpriority="high" srcset="https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-1300x731.jpg 1300w, https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-600x338.jpg 600w, https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-768x432.jpg 768w, https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-1536x864.jpg 1536w, https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise-150x84.jpg 150w, https://analyticsindiamag.com/wp-content/uploads/2024/11/Funding-for-Data-Centres-is-on-the-Rise.jpg 1600w" sizes="(max-width: 800px) 100vw, 800px" />India generates 20% of global data but stores only 3% of it locally. Two forces are now working to close this gap. 
The post <a href="https://analyticsindiamag.com/ai-features/unpacking-indias-data-centre-boom/">Unpacking India’s Data Centre Boom </a> appeared first on <a href="https://analyticsindiamag.com">Analytics India Magazine</a>.

تشهد الهند ازدهارًا كبيرًا في مراكز البيانات، مدفوعًا بالطلب المتزايد على خدمات السحابة والبنية التحتية الرقمية. يجذب هذا النمو استثمارات كبيرة، حيث تدرك الشركات إمكانات السوق الهندي. من المتوقع أن يعزز ارتفاع مراكز البيانات القدرات التكنولوجية للبلاد ويدعم قطاعات متعددة، بما في ذلك الذكاء الاصطناعي والحوسبة السحابية.

India está experimentando un auge significativo en los centros de datos, impulsado por la creciente demanda de servicios en la nube e infraestructura digital. Este crecimiento está atrayendo inversiones sustanciales, ya que las empresas reconocen el potencial del mercado indio. El aumento de los centros de datos se espera que mejore las capacidades tecnológicas del país y apoye varios sectores, incluida la inteligencia artificial y la computación en la nube.

L'Inde connaît un boom significatif des centres de données, stimulé par une demande croissante de services cloud et d'infrastructures numériques. Cette croissance attire des investissements substantiels, les entreprises reconnaissant le potentiel du marché indien. L'essor des centres de données devrait améliorer les capacités technologiques du pays et soutenir divers secteurs, y compris l'intelligence artificielle et l'informatique en nuage.

India is experiencing a significant boom in data centers, driven by increasing demand for cloud services and digital infrastructure. This growth is attracting substantial investments, with companies recognizing the potential of India's market. The rise of data centers is expected to enhance the country's technological capabilities and support various sectors, including artificial intelligence and cloud computing.

Unpacking India’s Data Centre Boom

TikTok is adding new digital wellbeing tools like an affirmation journal, a background sound generator, and badges for using the app within limits

تقوم تيك توك بإدخال أدوات جديدة للرفاهية الرقمية تهدف إلى تعزيز عادات الاستخدام الأكثر صحة بين مستخدميها. تشمل الميزات دفتر ملاحظات للتأكيدات، ومولد أصوات خلفية، وشارات تكافئ المستخدمين على تقليل وقتهم في التطبيق. تم تصميم هذه الأدوات لمساعدة المستخدمين في إدارة وقت الشاشة وتقليل الآثار السلبية للاستخدام المفرط لوسائل التواصل الاجتماعي.

TikTok está introduciendo nuevas herramientas de bienestar digital destinadas a promover hábitos de uso más saludables entre sus usuarios. Las funciones incluyen un diario de afirmaciones, un generador de sonidos de fondo y medallas que recompensan a los usuarios por limitar su tiempo en la aplicación. Estas herramientas están diseñadas para ayudar a los usuarios a gestionar su tiempo de pantalla y reducir los efectos negativos del consumo excesivo de redes sociales.

TikTok introduit de nouveaux outils de bien-être numérique visant à promouvoir des habitudes d'utilisation plus saines parmi ses utilisateurs. Les fonctionnalités comprennent un journal d'affirmations, un générateur de sons d'ambiance et des badges qui récompensent les utilisateurs pour avoir limité leur temps sur l'application. Ces outils sont conçus pour aider les utilisateurs à gérer leur temps d'écran et à réduire les effets négatifs d'une consommation excessive des réseaux sociaux.

TikTok is introducing new digital wellbeing tools aimed at promoting healthier usage habits among its users. The features include an affirmation journal, a background sound generator, and badges that reward users for limiting their time on the app. These tools are designed to help users manage their screen time and reduce the negative effects of excessive social media consumption.

TikTok will now give you badges for limiting your doomscrolling

<A HREF="https://techcrunch.com/2025/11/18/tiktok-now-lets-you-choose-how-much-ai-generated-content-you-want-to-see/"><IMG VSPACE="4" HSPACE="4" BORDER="0" ALIGN="RIGHT" SRC="http://www.techmeme.com/251119/i2.jpg"></A>
<A HREF="http://www.techmeme.com/251119/p2#a251119p2" TITLE="Techmeme permalink"><IMG WIDTH=11 HEIGHT=12 SRC="http://www.techmeme.com/img/pml.png" STYLE="border:none;padding:0;margin:0;"></A> Aisha Malik / <A HREF="http://techcrunch.com/">TechCrunch</A>: 
<A HREF="https://techcrunch.com/2025/11/18/tiktok-now-lets-you-choose-how-much-ai-generated-content-you-want-to-see/">TikTok will let users choose how much AI-generated content appears in their For You feed and plans to add more advanced labeling tech for AI-content</A>&nbsp; &mdash;&nbsp; TikTok, an app that was once just a place for user-generated content, is launching a new setting that lets users choose how much AI-generated content &hellip;

تقوم تيك توك بإطلاق ميزة جديدة تتيح للمستخدمين التحكم في كمية المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي في خلاصة "For You" الخاصة بهم. تهدف هذه الإعدادات إلى تحسين تجربة المستخدم من خلال توفير المزيد من خيارات التخصيص. بالإضافة إلى ذلك، تخطط تيك توك لتنفيذ تقنية تصنيف متقدمة لتحديد المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي بشكل أفضل، مما يضمن الشفافية للمستخدمين. تعكس هذه الخطوة الجهود المستمرة للمنصة للتكيف مع تفضيلات المستخدمين وتأثير الذكاء الاصطناعي المتزايد في وسائل التواصل الاجتماعي.

TikTok está lanzando una nueva función que permite a los usuarios controlar la cantidad de contenido generado por IA en su feed de For You. Esta configuración tiene como objetivo mejorar la experiencia del usuario al proporcionar más opciones de personalización. Además, TikTok planea implementar tecnología de etiquetado avanzada para identificar mejor el contenido generado por IA, asegurando la transparencia para los usuarios. Este movimiento refleja los esfuerzos continuos de la plataforma para adaptarse a las preferencias de los usuarios y la creciente influencia de la inteligencia artificia…

TikTok introduit une nouvelle fonctionnalité permettant aux utilisateurs de contrôler la quantité de contenu généré par l'IA dans leur fil For You. Ce paramètre vise à améliorer l'expérience utilisateur en offrant davantage d'options de personnalisation. De plus, TikTok prévoit de mettre en œuvre une technologie d'étiquetage avancée pour mieux identifier le contenu généré par l'IA, garantissant ainsi la transparence pour les utilisateurs. Ce mouvement reflète les efforts continus de la plateforme pour s'adapter aux préférences des utilisateurs et à l'influence croissante de l'intelligence arti…

TikTok is introducing a new feature that allows users to control the amount of AI-generated content in their For You feed. This setting aims to enhance user experience by providing more customization options. Additionally, TikTok plans to implement advanced labeling technology to better identify AI-generated content, ensuring transparency for users. This move reflects the platform's ongoing efforts to adapt to user preferences and the growing influence of artificial intelligence in social media.

TikTok will let users choose how much AI-generated content appears in their For You feed and plans to add more advanced labeling tech for AI-content (Aisha Malik/TechCrunch)

Wall Street will get a sense of where the billions of dollars being spent on artificial intelligence are going when Nvidia Corp. reports its earnings after the bell on Wednesday. How the sinking stock market will react is another question.

من المقرر أن تعلن شركة إنفيديا عن أرباحها يوم الأربعاء، مما يوفر رؤى حول الاستثمارات الكبيرة في الذكاء الاصطناعي. تبقى ردود فعل السوق، خاصةً في ظل الانخفاض الأخير، غير مؤكدة. تراقب وول ستريت عن كثب كيف ستعكس هذه الأرباح القطاع التكنولوجي الأوسع في ظل المخاوف المتزايدة بشأن الإنفاق على الذكاء الاصطناعي.

Nvidia Corp. está programada para informar sus ganancias el miércoles, proporcionando información sobre las significativas inversiones en inteligencia artificial. La reacción del mercado, especialmente dado el reciente descenso, sigue siendo incierta. Wall Street está observando de cerca cómo estos resultados reflejarán el sector tecnológico más amplio en medio de crecientes preocupaciones sobre el gasto en IA.

Nvidia Corp. doit publier ses résultats mercredi, offrant un aperçu des investissements considérables dans l'intelligence artificielle. La réaction du marché, en particulier compte tenu de la récente baisse, reste incertaine. Wall Street surveille de près comment ces résultats refléteront le secteur technologique plus large face aux préoccupations croissantes concernant les dépenses en IA.

Nvidia Corp. is set to report its earnings on Wednesday, providing insights into the significant investments being made in artificial intelligence. The market's reaction, particularly given the recent downturn, remains uncertain. Wall Street is closely monitoring how these earnings will reflect on the broader tech sector amidst growing concerns about AI spending.

Nvidia Earnings Run Into a Market Suddenly Afraid of AI Spending

With the new AI-generated content control, users who want to see less of this sort of content can dial things down, while those who enjoy it can choose to see more of it.

قدمت تيك توك ميزة جديدة تتيح للمستخدمين التحكم في كمية المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي الذي يواجهونه على المنصة. تتيح هذه الميزة للمستخدمين تقليل أو زيادة رؤية هذا النوع من المحتوى وفقًا لتفضيلاتهم، مما يعزز تجربتهم العامة على التطبيق.

TikTok ha introducido una nueva función que permite a los usuarios controlar la cantidad de contenido generado por IA que encuentran en la plataforma. Esta función permite a los usuarios reducir o aumentar la visibilidad de dicho contenido según sus preferencias, mejorando así su experiencia general en la aplicación.

TikTok a introduit une nouvelle fonctionnalité permettant aux utilisateurs de contrôler la quantité de contenu généré par l'IA qu'ils rencontrent sur la plateforme. Cette fonctionnalité permet aux utilisateurs de réduire ou d'augmenter la visibilité de ce type de contenu selon leurs préférences, améliorant ainsi leur expérience globale sur l'application.

TikTok has introduced a new feature that allows users to control the amount of AI-generated content they encounter on the platform. This feature enables users to either reduce or increase the visibility of such content according to their preferences, enhancing their overall experience on the app.

TikTok now lets you choose how much AI-generated content you want to see

arXiv:2511.13911v1 Announce Type: cross 
Abstract: Despite recent progress in predicting biomarker trajectories from real clinical data, uncertainty in the predictions poses high-stakes risks (e.g., misdiagnosis) that limit their clinical deployment. To enable safe and reliable use of such predictions in healthcare, we introduce a conformal method for uncertainty-calibrated prediction of biomarker trajectories resulting from randomly-timed clinical visits of patients. Our approach extends conformal prediction to the setting of randomly-timed trajectories via a novel nonconformity score that produces prediction bands guaranteed to cover the unknown biomarker trajectories with a user-prescribed probability. We apply our method across a wide range of standard and state-of-the-art predictors for two well-established brain biomarkers of Alzheimer's disease, using neuroimaging data from real clinical studies. We observe that our conformal prediction bands consistently achieve the desired coverage, while also being tighter than baseline prediction bands. To further account for population heterogeneity, we develop group-conditional conformal bands and test their coverage guarantees across various demographic and clinically relevant subpopulations. Moreover, we demonstrate the clinical utility of our conformal bands in identifying subjects at high risk of progression to Alzheimer's disease. Specifically, we introduce an uncertainty-calibrated risk score that enables the identification of 17.5% more high-risk subjects compared to standard risk scores, highlighting the value of uncertainty calibration in real-world clinical decision making. Our code is available at github.com/vatass/ConformalBiomarkerTrajectories.

تم تطوير طريقة جديدة للتنبؤ بمسارات المؤشرات الحيوية في مرض الزهايمر، حيث تعالج عدم اليقين في التنبؤات السريرية. تتيح هذه التقنية التنبؤية المتوافقة إجراء تنبؤات موثوقة من الزيارات السريرية التي تتم في أوقات عشوائية، مما يضمن أن تغطي نطاقات التنبؤ المسارات الفعلية للمؤشرات الحيوية باحتمالية محددة. تم اختبار النهج باستخدام بيانات التصوير العصبي من دراسات سريرية معروفة، مما يوضح فعاليته في تعزيز أمان التطبيقات السريرية.

Se ha desarrollado un nuevo método para predecir las trayectorias de biomarcadores en la enfermedad de Alzheimer, abordando la incertidumbre en las predicciones clínicas. Esta técnica de predicción conforme permite pronósticos fiables a partir de visitas clínicas programadas aleatoriamente, asegurando que las bandas de predicción cubran las trayectorias reales de los biomarcadores con una probabilidad especificada. El enfoque se probó utilizando datos de neuroimagen de estudios clínicos establecidos, demostrando su eficacia para mejorar la seguridad de las aplicaciones clínicas.

Une nouvelle méthode de prédiction des trajectoires de biomarqueurs dans la maladie d'Alzheimer a été développée, abordant l'incertitude des prédictions cliniques. Cette technique de prédiction conforme permet des prévisions fiables à partir de visites cliniques chronométrées de manière aléatoire, garantissant que les bandes de prédiction couvrent les trajectoires réelles des biomarqueurs avec une probabilité spécifiée. L'approche a été testée à l'aide de données d'imagerie cérébrale provenant d'études cliniques établies, démontrant son efficacité pour améliorer la sécurité des applications cl…

A new method for predicting biomarker trajectories in Alzheimer's disease has been developed, addressing the uncertainty in clinical predictions. This conformal prediction technique allows for reliable forecasts from randomly-timed clinical visits, ensuring that the prediction bands cover the actual biomarker trajectories with a specified probability. The approach was tested using neuroimaging data from established clinical studies, demonstrating its effectiveness in enhancing the safety of clinical applications.

Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands

arXiv:2511.14441v1 Announce Type: cross 
Abstract: To distinguish Markov equivalent graphs in causal discovery, it is necessary to restrict the structural causal model. Crucially, we need to be able to distinguish cause $X$ from effect $Y$ in bivariate models, that is, distinguish the two graphs $X \to Y$ and $Y \to X$. Location-scale noise models (LSNMs), in which the effect $Y$ is modeled based on the cause $X$ as $Y = f(X) + g(X)N$, form a flexible class of models that is general and identifiable in most cases. Estimating these models for arbitrary noise terms $N$, however, is challenging. Therefore, practical estimators are typically restricted to symmetric distributions, such as the normal distribution. As we showcase in this paper, when $N$ is a skewed random variable, which is likely in real-world domains, the reliability of these approaches decreases. To approach this limitation, we propose SkewD, a likelihood-based algorithm for bivariate causal discovery under LSNMs with skewed noise distributions. SkewD extends the usual normal-distribution framework to the skew-normal setting, enabling reliable inference under symmetric and skewed noise. For parameter estimation, we employ a combination of a heuristic search and an expectation conditional maximization algorithm. We evaluate SkewD on novel synthetically generated datasets with skewed noise as well as established benchmark datasets. Throughout our experiments, SkewD exhibits a strong performance and, in comparison to prior work, remains robust under high skewness.

تناقش الورقة الحاجة إلى التمييز بين السبب والأثر في النماذج الثنائية المتغيرة لاكتشاف الأسباب، وخاصة ضمن نماذج الضوضاء ذات الموقع والمقياس (LSNMs). تسلط الضوء على التحدي المتمثل في تقدير هذه النماذج عندما تكون مصطلحات الضوضاء مائلة، وهو أمر شائع في السيناريوهات الواقعية. يقدم المؤلفون SkewD، وهو خوارزمية قائمة على الاحتمالية مصممة لتحسين اكتشاف الأسباب الثنائية في هذه الظروف، مع معالجة القيود التي تواجهها المقدرات التقليدية التي تعتمد عادةً على التوزيعات المتماثلة.

El artículo discute la necesidad de distinguir entre causa y efecto en modelos bivariados para el descubrimiento causal, específicamente dentro de los modelos de ruido de localización-escala (LSNMs). Destaca el desafío de estimar estos modelos cuando los términos de ruido son sesgados, lo cual es común en escenarios del mundo real. Los autores presentan SkewD, un algoritmo basado en la verosimilitud diseñado para mejorar el descubrimiento causal bivariado en estas condiciones, abordando las limitaciones de los estimadores tradicionales que generalmente dependen de distribuciones simétricas.

Cet article aborde la nécessité de distinguer la cause de l'effet dans les modèles bivariés pour la découverte causale, en particulier dans les modèles de bruit de localisation-échelle (LSNMs). Il met en évidence le défi d'estimer ces modèles lorsque les termes de bruit sont asymétriques, ce qui est courant dans les scénarios du monde réel. Les auteurs introduisent SkewD, un algorithme basé sur la vraisemblance conçu pour améliorer la découverte causale bivariée dans ces conditions, en répondant aux limitations des estimateurs traditionnels qui reposent généralement sur des distributions symét…

The paper discusses the need to distinguish between cause and effect in bivariate models for causal discovery, specifically within location-scale noise models (LSNMs). It highlights the challenge of estimating these models when noise terms are skewed, which is common in real-world scenarios. The authors introduce SkewD, a likelihood-based algorithm designed to improve bivariate causal discovery under these conditions, addressing the limitations of traditional estimators that typically rely on symmetric distributions.

Skewness-Robust Causal Discovery in Location-Scale Noise Models

arXiv:2412.09498v3 Announce Type: replace-cross 
Abstract: Gradient descent is one of the most widely used iterative algorithms in modern statistical learning. However, its precise algorithmic dynamics in high-dimensional settings remain only partially understood, which has limited its broader potential for statistical inference applications.
  This paper provides a precise, non-asymptotic joint distributional characterization of gradient descent iterates and their debiased statistics in a broad class of empirical risk minimization problems, in the so-called mean-field regime where the sample size is proportional to the signal dimension. Our non-asymptotic state evolution theory holds for both general non-convex loss functions and non-Gaussian data, and reveals the central role of two Onsager correction matrices that precisely characterize the non-trivial dependence among all gradient descent iterates in the mean-field regime.
  Leveraging the joint state evolution characterization, we show that the gradient descent iterate retrieves approximate normality after a debiasing correction via a linear combination of all past iterates, where the debiasing coefficients can be estimated by the proposed gradient descent inference algorithm. This leads to a new algorithmic statistical inference framework based on debiased gradient descent, which (i) applies to a broad class of models with both convex and non-convex losses, (ii) remains valid at each iteration without requiring algorithmic convergence, and (iii) exhibits a certain robustness to possible model misspecification. As a by-product, our framework also provides algorithmic estimates of the generalization error at each iteration. As canonical examples, we demonstrate our theory and inference methods in the single-index regression model and a generalized logistic regression model, where the natural loss functions may exhibit arbitrarily non-convex landscapes.

يُعتبر الانحدار التدرجي خوارزمية تكرارية تُستخدم على نطاق واسع في التعلم الإحصائي، إلا أن دينامياتها في الإعدادات عالية الأبعاد لا تزال غير مفهومة تمامًا. يقدم هذا البحث توصيفًا مشتركًا غير حدّي لتكرارات الانحدار التدرجي وإحصائياتها المُعالجة في مشاكل تقليل المخاطر التجريبية، لا سيما في نظام الحقل المتوسط. تسلط النتائج الضوء على الدور المركزي لمصفوفات تصحيح أونساجر في فهم الاعتماديات بين جميع تكرارات الانحدار التدرجي، القابلة للتطبيق على كل من دوال الخسارة غير المحدبة والبيانات غير الغاوسية.

El descenso de gradiente es un algoritmo iterativo ampliamente utilizado en el aprendizaje estadístico, pero su dinámica en entornos de alta dimensión no se comprende completamente. Este artículo proporciona una caracterización no asintótica de los iterados del descenso de gradiente y sus estadísticas desbiaseadas en problemas de minimización del riesgo empírico, especialmente en el régimen de campo medio. Los hallazgos destacan el papel central de las matrices de corrección de Onsager en la comprensión de las dependencias entre los iterados del descenso de gradiente, aplicables tanto a funcio…

La descente de gradient est un algorithme itératif largement utilisé dans l'apprentissage statistique, mais sa dynamique dans des contextes de haute dimension n'est pas entièrement comprise. Cet article présente une caractérisation non asymptotique des itérations de la descente de gradient et de leurs statistiques débiaisées dans des problèmes de minimisation du risque empirique, en particulier dans le régime de champ moyen. Les résultats mettent en évidence l'importance des matrices de correction d'Onsager pour comprendre les dépendances entre les itérations de la descente de gradient, applic…

Gradient descent is a widely used iterative algorithm in statistical learning, yet its dynamics in high-dimensional settings are not fully understood. This paper presents a non-asymptotic characterization of gradient descent iterates and their debiased statistics in empirical risk minimization problems, particularly in the mean-field regime. The findings highlight the significance of Onsager correction matrices in understanding the dependencies among gradient descent iterates, applicable to both non-convex loss functions and non-Gaussian data.

Conformal Online Learning of Deep Koopman Linear Embeddings

Was this article worth reading? Share it