Buchumschlag

The Significance of Latent Data Divergence in Predicting System Degradation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fernandes, Miguel, Silva, Catarina, Cardoso, Alberto, Ribeiro, Bernardete
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data
von: Ribeiro, Adèle H., et al.
Veröffentlicht: (2025)

A Latent Space Metric for Enhancing Prediction Confidence in Earth Observation Data
von: Pitsiorlas, Ioannis, et al.
Veröffentlicht: (2024)

Predictability-Aware Compression and Decompression Framework for Multichannel Time Series Data with Latent Seasonality
von: Liu, Ziqi, et al.
Veröffentlicht: (2025)

Evidential Domain Adaptation for Remaining Useful Life Prediction with Incomplete Degradation
von: Hou, Yubo, et al.
Veröffentlicht: (2026)

Beyond KL Divergence: Policy Optimization with Flexible Bregman Divergences for LLM Reasoning
von: Yuan, Rui, et al.
Veröffentlicht: (2026)

Stable but Wrong: When More Data Degrades Scientific Conclusions
von: Zhang, Zhipeng, et al.
Veröffentlicht: (2026)

Detecting Atypical Clients in Federated Learning via Representation-Level Divergence
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding
von: Hahn, Maximilian, et al.
Veröffentlicht: (2026)

Human Preferences in Large Language Model Latent Space: A Technical Analysis on the Reliability of Synthetic Data in Voting Outcome Prediction
von: Ball, Sarah, et al.
Veröffentlicht: (2025)

Leveraging Offline Data in Linear Latent Contextual Bandits
von: Kausik, Chinmaya, et al.
Veröffentlicht: (2024)

Divergence-Augmented Policy Optimization
von: Wang, Qing, et al.
Veröffentlicht: (2025)

EIDOS: Latent-Space Predictive Learning for Time Series Foundation Models
von: Zhou, Xinxing, et al.
Veröffentlicht: (2026)

TabAttackBench: A Benchmark for Adversarial Attacks on Tabular Data
von: He, Zhipeng, et al.
Veröffentlicht: (2025)

A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles
von: Murgai, Sharv, et al.
Veröffentlicht: (2024)

Hyperbolic Residual Quantization: Discrete Representations for Data with Latent Hierarchies
von: Piękos, Piotr, et al.
Veröffentlicht: (2025)

Rényi Divergence Deep Mutual Learning
von: Huang, Weipeng, et al.
Veröffentlicht: (2022)

Divergence-Suppressing Couplings for Rectified Flow
von: Min, Yimeng, et al.
Veröffentlicht: (2026)

APO: Alpha-Divergence Preference Optimization
von: Zixian, Wang
Veröffentlicht: (2025)

Convergent World Representations and Divergent Tasks
von: Park, Core Francisco
Veröffentlicht: (2026)

DSAI: Unbiased and Interpretable Latent Feature Extraction for Data-Centric AI
von: Cho, Hyowon, et al.
Veröffentlicht: (2024)

Latent Noise Injection for Private and Statistically Aligned Synthetic Data Generation
von: Shen, Rex, et al.
Veröffentlicht: (2025)

From Latent Space to Training Data: Explainable Specialization in Minimal MLPs
von: Alba, Enrique, et al.
Veröffentlicht: (2026)

Full Bayesian Significance Testing for Neural Networks
von: Liu, Zehua, et al.
Veröffentlicht: (2024)

Toward Data Efficient Model Merging between Different Datasets without Performance Degradation
von: Yamada, Masanori, et al.
Veröffentlicht: (2023)

Crafting Imperceptible On-Manifold Adversarial Attacks for Tabular Data
von: He, Zhipeng, et al.
Veröffentlicht: (2025)

Bayesian Pseudo-Coresets via Contrastive Divergence
von: Tiwary, Piyush, et al.
Veröffentlicht: (2023)

Diverging Flows: Detecting Extrapolations in Conditional Generation
von: Tsakonas, Constantinos, et al.
Veröffentlicht: (2026)

Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts
von: Huang, Weipeng, et al.
Veröffentlicht: (2025)

Using Neural Implicit Flow To Represent Latent Dynamics Of Canonical Systems
von: Nasim, Imran, et al.
Veröffentlicht: (2024)

Latent-Predictive Empowerment: Measuring Empowerment without a Simulator
von: Levy, Andrew, et al.
Veröffentlicht: (2024)

Global Attention with Linear Complexity for Exascale Generative Data Assimilation in Earth System Prediction
von: Wang, Xiao, et al.
Veröffentlicht: (2026)

Latent Factorization of Tensors with Threshold Distance Weighted Loss for Traffic Data Estimation
von: Yang, Lei
Veröffentlicht: (2025)

Semantics-Aware Generative Latent Data Augmentation for Learning in Low-Resource Domains
von: Bae, Jaesung, et al.
Veröffentlicht: (2026)

TopoPrune: Robust Data Pruning via Unified Latent Space Topology
von: Roy, Arjun, et al.
Veröffentlicht: (2026)

Identifying Latent Actions and Dynamics from Offline Data via Demonstrator Diversity
von: Schur, Felix
Veröffentlicht: (2026)

SE(3)-Equivariant Ternary Complex Prediction Towards Target Protein Degradation
von: Xue, Fanglei, et al.
Veröffentlicht: (2025)

EAGLE: Efficient Alignment of Generalized Latent Embeddings for Multimodal Survival Prediction with Interpretable Attribution Analysis
von: Tripathi, Aakash, et al.
Veröffentlicht: (2025)

Improving Significant Wave Height Prediction Using Chronos Models
von: Zhai, Yilin, et al.
Veröffentlicht: (2025)

Learning Divergence Fields for Shift-Robust Graph Representations
von: Wu, Qitian, et al.
Veröffentlicht: (2024)

Optimal Stability of KL Divergence under Gaussian Perturbations
von: Pan, Jialu, et al.
Veröffentlicht: (2026)