219 Arbeiten
Die Autoren zeigen, dass für eine breite Klasse von stochastischen Bewertungsfunktionen effizient berechenbare, diskretisierte Verteilungen mit einer kleinen Stützmenge existieren, die eine konstante Approximation der wahren Bewertung für Teilmengen beliebiger Größe liefern und somit komplexe Optimierungsprobleme skalierbar machen.
Dieses Papier entwickelt eine robuste Identifikationsmethode, die strategisches Falschmelden von Präferenzen in Zuordnungsmechanismen berücksichtigt, um scharfe Schranken für die kausalen Effekte der Schulzuweisung zu bestimmen und dabei signifikante Heterogenität im Studienerfolg aufzudecken.
Die Autoren stellen einen einfachen Ansatz vor, der durch den Ersatz des üblichen Posterior durch eine intuitive Alternative eine zuverlässige Unsicherheitsquantifizierung für Bayes'sche Inferenz in misspezifizierten oder approximativen Modellen sowie für generalisierte (Gibbs-)Posteriors ermöglicht.
Diese Arbeit stellt eine robuste Bayes'sche Methode zur Konstruktion genetischer Risikoscores vor, die durch die Projektion von Zusammenfassungsstatistiken die Posterior-Integrität bei der Kombination heterogener Daten sicherstellt und durch die Einführung eines flexiblen „Bayesian Bridge"-Priors eine überlegene Leistung bei der Risikovorhersage erzielt.
Das Paper stellt DELVE vor, eine spektrale Graph-Filtermethode, die in unsupervised multimodalen Datensätzen modality-spezifische latente Variablen extrahiert, indem sie Unterschiede in den Konnektivitätsmustern nutzt, um gemeinsame Signale zu unterdrücken und modality-spezifische Komponenten zu bewahren.
Die Arbeit stellt ein Modell für Netzwerkzeitreihen vor, das mittels einer euklidischen Spiegelkurve und spektraler Schätzung auch kontinuierliche, aber in ihrer Änderungsrate variierende Übergänge (First-Order-Changepoints) zuverlässig lokalisiert, was durch Beispiele aus organoiden Netzwerken untermauert wird.
Dieser Artikel entwickelt ein theoretisches Rahmenwerk und nichtparametrische Identifikationsformeln, um die Herausforderungen bei der Vorhersage kausaler Effekte zukünftiger Interventionen zu bewältigen, indem er die Transportierbarkeit von Wirkungen über die Zeit unter Berücksichtigung zeitvariabler Störfaktoren formalisiert.
Dieses Papier entwickelt selbstnormalisierende Strukturbruchtests für prädiktive Quantil- und CoVaR-Regressionen, die unabhängig von der Stationarität der Prädiktoren gültig sind und sich zur Erkennung instabiler Prognosezusammenhänge in der Finanzwirtschaft eignen.
Diese Arbeit stellt zwei Subsampling-Schätzer, Adaptive Importance Sampling und Stratified Sub-sampling, für die robuste hochdimensionale Regression unter schweren Verteilungen, Kontamination und zeitlicher Abhängigkeit vor, schließt die Lücke zwischen Theorie und Algorithmus durch präzise Konvergenzgarantien und ermöglicht gültige Konfidenzintervalle, wobei empirische Ergebnisse eine signifikante Fehlerreduktion im Vergleich zu herkömmlichen Methoden zeigen.
Diese Studie erweitert das Nested Error Regression-Modell mit hochdimensionalen Parametern (NERHDP) um einen effizienten Schätzalgorithmus und robuste Verfahren zur Unsicherheitsquantifizierung, um die Genauigkeit und Skalierbarkeit von Armutsindikatoren für kleine Gebiete unter Berücksichtigung von Heterogenität zu verbessern, was anhand von Daten aus Albanien demonstriert wird.
Diese Arbeit stellt ein identifizierbares, eingeschränktes latentes Klassen-Modell für longitudinale polytome Daten mit kognitiven Attributen und Kovariaten vor, das auf einem zeitinhomogenen Hidden-Markov-Prozess basiert und dessen Wirksamkeit durch Simulationen sowie Anwendungen auf Mathematiktest- und Emotionsdaten nachgewiesen wird.
Diese Arbeit kritisiert die vorherrschende Abhängigkeit von binären Klassifikationsmetriken in der ML-Praxis, plädiert für einen konsequentialistischen Ansatz mit angemessenen Scoring-Regeln wie dem Brier-Score, und stellt dazu einen theoretischen Rahmen sowie das Python-Paket \texttt{briertools} vor, um die Bewertung probabilistischer Vorhersagen praxisnah zu verbessern.
Dieses Paper stellt parallele Algorithmen zur Simulation von gradientenfreien Metropolis-Markov-Ketten vor, die durch die Nutzung von Picard-Abbildungen die Konvergenzgeschwindigkeit in hochdimensionalen Problemen signifikant beschleunigen und dabei lediglich punktweise Auswertungen der Log-Wahrscheinlichkeitsdichte benötigen.
Die vorgestellte Arbeit schlägt eine intuitive und einfach zu implementierende Methode auf Basis des Rejection Sampling vor, um statistische Tests beliebiger Dimension zu finden, die in Simulationen eine mit den gleichmäßig besten (unverzerrten) Tests vergleichbare Leistungsfähigkeit und eine hohe Güte der Anpassung aufweisen.
Die Studie stellt ein neuartiges semi-parametrisches Verfahren zur Modellierung bedingter Copulas vor, das Bayesianische Additive Regressionsbäume (BART) mit einem verlustbasierten Prior zur Reduzierung der Komplexität und einem adaptiven Reversible-Jump-MCMC-Algorithmus kombiniert, um komplexe Abhängigkeitsstrukturen unter externen Einflüssen präzise zu erfassen.
Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.
Die Arbeit stellt ein allgemeines Rahmenwerk für „Central Subspace Data Depths" vor, die multivariate Daten nach ihrem Abstand zu einem Unterraum statt zu einem einzelnen Punkt ordnen, um Symmetrie bezüglich dieses Unterraums zu erfassen und Anwendungen wie die Dimensionsreduktion oder Betrugserkennung zu unterstützen.
Die Studie zeigt, dass die Verwendung effizienter Einflussfunktionen die semiparametrische Schätzung marginaler Behandlungseffekte mittels genetischer Instrumentalvariablen verbessert und dabei belegt, dass Personen mit einer hohen Neigung zu übermäßigem Alkoholkonsum stärkere negative Auswirkungen auf den Blutdruck erfahren.
Diese Arbeit stellt einen Rahmen zur Schätzung und Inferenz heterogener Haupteffekte unter der Annahme der Hauptignorierbarkeit vor, entwickelt mehrere Schätzer mit unterschiedlichen Robustheitseigenschaften und wendet diese auf Daten aus dem Camden Coalition-Hotspotting-Randomisierten-Test an.
Die Studie stellt eine interpretierbare Methode zur Unsicherheitsquantifizierung für kritische Energiesysteme während zusammengesetzter Extremwetterereignisse vor, die auf dem BMW-GAM-Workflow mit Gaußscher Copula basiert und probabilistische Simulationen von Klimavariablen ermöglicht.