38 Arbeiten
Dieser Artikel stellt eine Python-Implementierung geometrischer Werkzeuge für den Kendall'schen 3D-Formraum vor, die die Lücke zwischen theoretischer Riemannscher Geometrie und praktischen Anwendungen schließt, indem sie spezifische Funktionen ergänzt, die in der führenden Bibliothek Geomstats fehlen.
Der Artikel stellt „ForwardFlow" vor, ein rein simulationsbasiertes statistisches Inferenzverfahren, das ein einziges Deep-Learning-Netzwerk nutzt, um aus simulierten Daten Parameterschätzungen zu gewinnen und dabei Eigenschaften wie endliche Stichprobengenauigkeit, Robustheit gegenüber Datenverfälschungen und die automatische Approximation komplexer Algorithmen wie des EM-Algorithmus demonstriert.
Dieser Artikel stellt einen hierarchisch-bayesschen Schätzer für die Varianz bei feiner Stratifizierung vor, der in Simulationen und empirischen Analysen die herkömmlichen Methoden wie das Zusammenfassen benachbarter Strata sowie nichtparametrische Bayessche und kernelbasierte Schätzer hinsichtlich Verzerrung und mittlerem quadratischen Fehler übertrifft.
Das Paper stellt das R-Paket `afttest` vor, das martingale-residuenbasierte Anpassungstests für semiparametrische beschleunigte Ausfallzeitmodelle implementiert und dabei eine neuartige, rechen-effiziente Resampling-Methode auf Basis einer linearen Einflussfunktionsnäherung einführt, die den iterativen Optimierungsbedarf herkömmlicher Multiplikator-Bootstrap-Verfahren überflüssig macht.
Diese Arbeit stellt zwei lokalisierte Strategien für sequentielle MCMC-Datenassimilation vor, die in hochdimensionalen, nichtlinearen und nicht-gaußschen geophysikalischen Modellen die Effizienz steigern und die Robustheit gegenüber schweren Ausreißern im Vergleich zu Ensemble-Kalman-Filtern verbessern.
Dieser Artikel erweitert die theoretischen und inferenzstatistischen Ergebnisse der Unit-Teissier-Verteilung durch die Herleitung geschlossener Ausdrücke für Ordnungsstatistiken und L-Momente, die Untersuchung verschiedener Parameterschätzverfahren sowie die Validierung mittels Simulationen und realer Daten.
Die vorgestellte Arbeit entwickelt ein semiparametrisches nichtlineares gemischtes Modell mit penalisierten Splines und automatischer Differentiation, das durch die gemeinsame Schätzung der Glattheit und Varianzkomponenten sowie die Laplace-Approximation eine verbesserte Inferenzleistung und einen geringeren Rechenaufwand im Vergleich zu bestehenden Verfahren bietet.
Diese Arbeit stellt einen neuen Ansatz für das batchweise Bayesianische Optimal-Experiment-Design vor, der die Optimierung des erwarteten Informationsgewinns durch eine probabilistische Hebung auf den Raum der Wahrscheinlichkeitsmaße und die Anwendung von Wasserstein-Gradientenflüssen ermöglicht, um skalierbare und robuste Lösungen für komplexe, multimodale Optimierungsprobleme zu finden.
Diese Arbeit stellt einen bias- und varianzbewussten probabilistischen Rahmen zur Analyse von Rundungsfehlern vor, der durch explizite Konfidenzparameter und die Berücksichtigung von Verzerrungen in der Fehlerverteilung (z. B. mittels Beta-Modellen) präzisere Schranken als klassische Worst-Case-Theorien liefert und sich in CUDA-Experimenten mit niedriger Genauigkeit als besonders nützlich erweist.
Diese Arbeit stellt ein einheitliches Rahmenwerk vor, das Hamiltonian Monte Carlo und stückweise deterministische Markov-Prozess-Sampler durch die Einführung von „bouncy" Hamilton-Dynamiken verbindet und so einen effizienten, ablehnungsfreien Sampler für hochdimensionale bayessche Inferenzprobleme ermöglicht.
Die Autoren stellen ein rechnerisch effizientes Multi-Level-Gauß-Prozess-Regressionsmodell für funktionale Daten vor, das durch die Herleitung exakter analytischer Ausdrücke für regelmäßig oder teilweise regelmäßig abgetastete Beobachtungen die Anpassung an große Datensätze ermöglicht, die mit Standardimplementierungen nicht handhabbar wären.
Die Studie stellt DisSim-FinBERT vor, ein neues Framework, das Diskursvereinfachung mit aspektbasierter Sentimentanalyse kombiniert, um aus komplexen Finanztexten wie FOMC-Minuten präzisere und wirtschaftlich relevantere Stimmungsprognosen zu extrahieren.
Die Studie stellt BLAST vor, ein bayessches Transfer-Learning-Framework für hochdimensionale lineare Regression, das durch adaptive Schrumpfung und bayessche Quellenauswahl negative Übertragung vermeidet, eine effiziente Posterior-Simulation ermöglicht und sowohl präzisere Inferenz als auch überlegene Unsicherheitsquantifizierung im Vergleich zu bestehenden Methoden bietet.
Diese Studie entwickelt ein netzwerkbasiertes Modell zur besseren Vorhersage und Bekämpfung des Frogeye-Blattflecks in Sojabohnen, indem sie reale Feldstrukturen berücksichtigt und zeigt, dass eine frühe, gezielte Entfernung infizierter Pflanzen effektiver ist als verzögerte oder zufällige Maßnahmen, während sich die Bodenbearbeitungsmethode nicht signifikant auf die Ausbreitung auswirkt.
Dieses Papier stellt einen bayesschen nichtparametrischen Ansatz zur Modellierung endlicher Mischungen vor, der Identifizierbarkeitsbedingungen und nahezu polynomielle Konvergenzraten für die Komponentenverteilungen nachweist sowie einen effizienten MCMC-Algorithmus für die Inferenz entwickelt.
Die Arbeit stellt Latent-IMH vor, eine effiziente Bayessche Inferenzmethode für inverse Probleme mit rechenintensiven Operatoren, die durch die Nutzung einer kostengünstigen Näherung in einer Offline-Phase und eine anschließende Verfeinerung mit dem exakten Operator die Rechenzeit im Vergleich zu State-of-the-Art-Methoden wie NUTS drastisch reduziert.
Die vorgestellte Arbeit entwickelt eine neue Regressionsmethode, die sowohl kaskaden- als auch zellenweise Ausreißer sowie fehlende Werte robust handhabt, schiefen Verteilungen standhält und erstmals robuste Vorhersagen für neue Stichproben ermöglicht.
Diese Arbeit stellt einen Monte-Carlo-basierten Rechenrahmen vor, um die stationären Verteilungen und die Stabilität von stochastischen Differentialgleichungen mit unsicheren Parametern und Superpositionen zu analysieren, wobei das Rosenzweig-McArthur-Räuber-Beute-Modell als Fallstudie dient, um mehrmodale Verteilungen und Stabilitätsregionen zu charakterisieren.