Buchumschlag

A Point Process Model for Optimizing Repeated Personalized Action Delivery to Users

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Merkov, Alexander, Rohde, David
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning 62M45
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Leveraging Non-Decimated Wavelet Packet Features and Transformer Models for Time Series Forecasting
von: Nason, Guy P, et al.
Veröffentlicht: (2024)

Adaptive Retrieval helps Reasoning in LLMs -- but mostly if it's not used
von: Shakya, Srijan, et al.
Veröffentlicht: (2026)

Custom Loss Functions in Fuel Moisture Modeling
von: Hirschi, Jonathon
Veröffentlicht: (2025)

Drift Estimation for Diffusion Processes Using Neural Networks Based on Discretely Observed Independent Paths
von: Zhao, Yuzhen, et al.
Veröffentlicht: (2025)

Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference
von: Wang, Zheyu Oliver, et al.
Veröffentlicht: (2023)

Measuring Neural Network Complexity via Effective Degrees of Freedom
von: Zhou, Jia, et al.
Veröffentlicht: (2026)

Critical Points of Random Neural Networks
von: Di Lillo, Simmaco
Veröffentlicht: (2025)

Revisiting semi-supervised training objectives for differentiable particle filters
von: Li, Jiaxi, et al.
Veröffentlicht: (2024)

Using Artificial Neural Networks to Predict Claim Duration in a Work Injury Compensation Environment
von: Almudevar, Anthony
Veröffentlicht: (2026)

Generalization error bounds for two-layer neural networks with Lipschitz loss function
von: Nguwi, Jiang Yu, et al.
Veröffentlicht: (2026)

Random Vector Functional Link Networks for Function Approximation on Manifolds
von: Needell, Deanna, et al.
Veröffentlicht: (2020)

Optimizing Data Augmentation through Bayesian Model Selection
von: Matymov, Madi, et al.
Veröffentlicht: (2025)

The Predictive-Causal Gap: An Impossibility Theorem and Large-Scale Neural Evidence
von: Liu, Kejun
Veröffentlicht: (2026)

Log-Gaussian Gamma Processes for Training Bayesian Neural Networks in Raman and CARS Spectroscopies
von: Härkönen, Teemu, et al.
Veröffentlicht: (2023)

A Complete Symmetry Classification of Shallow ReLU Networks
von: Ramakrishnan, Pranavkrishnan
Veröffentlicht: (2026)

Designing Time-Series Models With Hypernetworks & Adversarial Portfolios
von: Staněk, Filip
Veröffentlicht: (2024)

Learning non-equilibrium diffusions with Schrödinger bridges: from exactly solvable to simulation-free
von: Zhang, Stephen Y., et al.
Veröffentlicht: (2025)

Sharp Bounds on the Approximation Rates, Metric Entropy, and $n$-widths of Shallow Neural Networks
von: Siegel, Jonathan W., et al.
Veröffentlicht: (2021)

Fractal and Regular Geometry of Deep Neural Networks
von: Di Lillo, Simmaco, et al.
Veröffentlicht: (2025)

A Distribution-to-Distribution Neural Probabilistic Forecasting Framework for Dynamical Systems
von: Yang, Tianlin, et al.
Veröffentlicht: (2026)

From Theory to Application: A Practical Introduction to Neural Operators in Scientific Computing
von: Jha, Prashant K.
Veröffentlicht: (2025)

ASNN: Learning to Suggest Neural Architectures from Performance Distributions
von: Hong, Jinwook
Veröffentlicht: (2025)

Towards an Algebraic Framework For Approximating Functions Using Neural Network Polynomials
von: Rafi, Shakil, et al.
Veröffentlicht: (2024)

Universal Adaptive Environment Discovery
von: Matymov, Madi, et al.
Veröffentlicht: (2025)

Parameter Estimation of Long Memory Stochastic Processes with Deep Neural Networks
von: Csanády, Bálint, et al.
Veröffentlicht: (2024)

Efficient Time-Series Approximation with Linear Recurrent Neural Networks: Architecture Learning and Predictive Power
von: Stolzenburg, Frieder, et al.
Veröffentlicht: (2018)

Deep Neural Networks for Doubly Robust Estimation with Nonprobability Survey Samples
von: Dai, Yufang, et al.
Veröffentlicht: (2026)

Minimaxity and Admissibility of Bayesian Neural Networks
von: Coulson, Daniel Andrew, et al.
Veröffentlicht: (2026)

Generalization and Feature Attribution in Machine Learning Models for Crop Yield and Anomaly Prediction in Germany
von: Baatz, Roland
Veröffentlicht: (2025)

Efficient Global Optimization of Two-Layer ReLU Networks: Quadratic-Time Algorithms and Adversarial Training
von: Bai, Yatong, et al.
Veröffentlicht: (2022)

Deep neural networks with dependent weights: Gaussian Process mixture limit, heavy tails, sparsity and compressibility
von: Lee, Hoil, et al.
Veröffentlicht: (2022)

In almost all shallow analytic neural network optimization landscapes, efficient minimizers have strongly convex neighborhoods
von: Benning, Felix, et al.
Veröffentlicht: (2025)

Efficient reconstruction of multidimensional random field models with heterogeneous data using stochastic neural networks
von: Xia, Mingtao, et al.
Veröffentlicht: (2025)

Approximation Rates for Shallow ReLU$^k$ Neural Networks on Sobolev Spaces via the Radon Transform
von: Mao, Tong, et al.
Veröffentlicht: (2024)

Optimal Approximation Rates for Deep ReLU Neural Networks on Sobolev and Besov Spaces
von: Siegel, Jonathan W.
Veröffentlicht: (2022)

A Plug-and-Play Bregman ADMM Module for Inferring Event Branches in Temporal Point Processes
von: Wang, Qingmei, et al.
Veröffentlicht: (2025)

Architecture independent generalization bounds for overparametrized deep ReLU networks
von: Bapu, Anandatheertha, et al.
Veröffentlicht: (2025)

Zero loss guarantees and explicit minimizers for generic overparametrized Deep Learning networks
von: Chen, Thomas, et al.
Veröffentlicht: (2025)

Derivation of effective gradient flow equations and dynamical truncation of training data in Deep Learning
von: Chen, Thomas
Veröffentlicht: (2025)

Global $\mathcal{L}^2$ minimization at uniform exponential rate via geometrically adapted gradient descent in Deep Learning
von: Chen, Thomas
Veröffentlicht: (2023)