2500 Arbeiten
Die Kategorie „Stat — Me" widmet sich statistischen Methoden, die speziell für die Analyse metabolischer Daten entwickelt wurden. Diese Forschung liefert entscheidende Werkzeuge, um komplexe Stoffwechselprozesse zu verstehen und neue Erkenntnisse in der Biomedizin zu gewinnen. Da diese Studien oft hochtechnisch sind, macht Gist.Science sie für ein breiteres Publikum zugänglich, indem sie die neuesten Vorveröffentlichungen von arXiv systematisch erfasst und aufbereitet.
Wir bearbeiten jede neue Vorveröffentlichung in diesem Bereich, die auf arXiv erscheint, und bieten dazu sowohl eine verständliche Zusammenfassung für Laien als auch eine detaillierte technische Analyse für Experten an. So erhalten Sie einen umfassenden Überblick über den aktuellen Stand der Forschung, ohne sich durch komplizierte Fachsprache quälen zu müssen.
Im Folgenden finden Sie die neuesten Publikationen aus diesem spannenden Forschungsfeld, sortiert nach Erscheinungsdatum.
Dieses Paper schlägt eine recheneffiziente und genaue Methode für die hochdimensionale kanonische Korrelationsanalyse vor, indem es das Problem als Regression mit reduziertem Rang neu formuliert und dadurch etablierte hochdimensionale Regressionstechniken nutzt, um die Skalierbarkeits- und Adaptabilitätsbeschränkungen bestehender spärlicher Ansätze zu überwinden.
Dieses Paper schlägt einen konsistenten Momenten-Schätzer vor und validiert diesen zur Inferenz der Topologie und der Parameter eines Warteschlangennetzwerks mit unendlichen Servern unter Verwendung von Populationsdaten, die zu Poisson-Zeitpunkten beobachtet wurden, wobei sowohl parametrische als auch modellfreie Ansätze angeboten werden.
Dieses Papier schlägt zwei tail-robuste Autokovarianzmatrix-Schätzer für hochdimensionale, potenziell nichtstationäre Zeitreihen mit schweren Enden (heavy tails) und allgemeiner nichtlinearer Abhängigkeit vor und analysiert diese theoretisch, wobei es nichtasymptotische Fehlerschranken, Gaußsche Approximationsergebnisse sowie praktische Bootstrap-Methoden etabliert, die durch numerische Experimente validiert und auf die Detektion von Strukturbrüchen in makroökonomischen Daten angewendet werden.
Dieses Paper schlägt ein flexibles, quantilbasiertes Kumaraswamy-Teissier-Autoregressives-Moving-Average-Modell (KTARMA) für positiv-wertige Zeitreihen vor und zeigt durch Simulationen sowie eine Fallstudie zu den Niederschlägen im nordwestlichen Himalaya auf, dass es bestehende KARMA- und ARMA-Modelle in der Vorhersagegenauigkeit übertrifft.
Diese Studie führt zwei neuartige bivariate Verteilungen ein, die Kumaraswamy-Teissier-Marginalverteilungen mit verschiedenen Clayton- und Gumbel-Copula-Strukturen kombinieren, um die komplexe Abhängigkeit zwischen Temperatur und Niederschlag im Nordwesten des Himalayas effektiv zu modellieren, wobei sie im Vergleich zu bestehenden Modellen eine überlegene Leistungsfähigkeit bei der Erfassung von Tail-Abhängigkeiten und der Quantifizierung der Risiken kombinierter Extremereignisse demonstrieren.
Diese Arbeit führt ein Leave-one-out-Dual-Zertifikats-Framework ein, um die Finite-Sample-Validität und asymptotische Optimalität für nichtparametrische Mittelwerttests nichtnegativer Zufallsvariablen zu etablieren, wodurch ein neuartiger Binomial-basierter p-Wert und ein kombinierter Test hervorgebracht werden, der bestehende Methoden übertrifft, ohne Moment- oder Tail-Annahmen zu erfordern.
Dieses Papier schlägt eine Bootstrap-basierte Methode für die Post-hoc-Inferenz der False Discovery Proportion in multivariaten linearen Modellen vor, die im Vergleich zu bestehenden parametrischen Ansätzen eine simultane asymptotische Kontrolle über alle Hypothesensubsets, eine einfachere theoretische Begründung und eine größere statistische Power bietet, wie durch Simulationen und reale Anwendungen in der Neuroimaging und Transkriptomik demonstriert wird.
Das Papier schlägt Co-SIVI vor, eine skalierbare korrelierte semi-implizite Variationsinferenzmethode, die effektiv volle Posteriori-Verteilungen in großskaligen räumlichen Modellen mit Exponentialfamilien-Likelihoods approximiert, indem sie Abhängigkeiten in räumlichen Zufallseffekten explizit modelliert und somit eine recheneffiziente Alternative zu Hamiltonian Monte Carlo bietet.
Dieses Paper schlägt ein Framework vor, um die vollständige Verteilung der Behandlungseffekte in einem Zielstandort unter Verwendung ausschließlich von Kontrolldaten aus diesem Standort sowie sowohl behandelten als auch Kontroll-Daten aus einem Quellstandort zu rekonstruieren, indem eine optimale Transporttransformation gelernt wird, um Kreuzstandort-Heterogenität zu berücksichtigen und diese auf die behandelten Stichproben des Quellstandorts anzuwenden.
Diese Arbeit etabliert ein semiparametrisches Inferenzframework für die Low-Rank-Tensor-Vervollständigung in der LLM-Evaluierung, leitet Effizienzgrenzen her und führt eine Score-Whitening-Methode ein, um eine asymptotisch normale, unsicherheitsquantifizierte Schätzung der Modellfähigkeiten aus verrauschten, spärlichen paarweisen Vergleichen zu ermöglichen.