222 Arbeiten
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 cc-Shapley vor, eine kausal kontextualisierte Erweiterung der Shapley-Werte, die durch die Einbeziehung von Kausalwissen verzerrte Feature-Importanzen aufgrund von Kollider-Bias und Unterdrückungseffekten korrigiert und so verlässlichere Erklärungen für maschinelle Lernmodelle ermöglicht.
Diese Studie stellt eine neue Anwendung proximaler kausaler Inferenzmethoden vor, die es ermöglichen, die absolute Wirksamkeit von Cabotegravir im Vergleich zu einem Placebo in aktiven HIV-Präventionsstudien durch die Nutzung externer Kontrolldaten und spezieller Schätzer für niedrige Inzidenzraten zu quantifizieren.
Dieser Artikel stellt einen methodischen Rahmen für die Variablenselektion bei der linearen Regressionsimputation in Umfragen vor, der die Konsistenz und asymptotische Varianz misspezifizierter Modelle analysiert und asymptotisch gültige sowie optimale Konfidenzintervalle nach der Modellauswahl liefert.
Das Paper stellt KRAFTY vor, ein flexibles Framework zur gemeinsamen Clusterwiederherstellung aus multiplen Datenansichten, das durch die Nutzung eines transponierten Khatri-Rao-Produkts orthogonale Unterräume schafft, um die Anzahl der wahren gemeinsamen Cluster präzise zu bestimmen und dabei bestehende Methoden insbesondere bei komplexen Szenarien zu übertreffen.
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.
Die Studie entwickelt einen skalierbaren Multi-Fidelity-Emulator, der Tensorzerlegung und Gaußsche Prozesse nutzt, um die rechenintensiven Simulationen von arktischem Meereis effizient und präzise zu approximieren, indem sie Informationen aus verschiedenen Auflösungen kombiniert.
Diese Arbeit entwickelt einen robusten Schätzer für Diffusionsprozesse bei Hochfrequenzdaten, der durch die Approximation der Übergangsdichte mittels Kesslers Ansatz und die Anwendung der -Divergenz Ausreißer widerstandsfähig macht und dessen asymptotische Eigenschaften sowie die Beschränktheit der bedingten Einflussfunktionen untersucht werden.
Die Autoren stellen einen neuen Workflow vor, der die ANOVA-Simultane-Komponentenanalyse (ASCA) nutzt, um zyklische Stationarität in multivariaten Zeitreihen unter Berücksichtigung von Autokorrelation und unausgewogenen Designs zu modellieren, was durch Fallstudien zu Seewassertemperaturen und Pollenflug in Spanien verifiziert wird.
Die vorgestellte Arbeit entwickelt eine neue Regelkarte zur Überwachung der Kovarianzstruktur multikanaliger Profile mittels funktionaler graphischer Modelle, die auch subtile und spärliche Änderungen effizient erkennt und gleichzeitig interpretierbare Verschiebungen in den Beziehungen zwischen den Profilen identifiziert.
Die Arbeit stellt TS-BOSS vor, einen skalierbaren, score-basierten Algorithmus zur Entdeckung kausaler Strukturen in multivariaten Zeitreihen, der durch die Erweiterung der BOSS-Methode mit dynamischen Bayesianischen Netzwerken und Grow-Shrink-Bäumen eine hohe Effizienz und theoretische Fundierung bietet, insbesondere in Regimen mit starker Autokorrelation.
Dieser Artikel stellt Lévy-getriebene Graph-supOU-Prozesse als sparsames parametrisches Modell für hochdimensionale Zeitreihen vor, das kurz- und langfristige Abhängigkeiten über eine Graphenstruktur abbildet, und entwickelt sowie validiert einen verallgemeinerten Momenten-Schätzer, der in einer empirischen Studie zu Windkraftfaktoren in einem europäischen Stromnetz angewendet wird.
Die Arbeit stellt die diskrete Chi-Quadrat-Methode (DCM) als überlegenes, auf der Gauß-Markov-Theorem basierendes Vorhersageverfahren vor, das im Gegensatz zu herkömmlichen Frequenzmethoden komplexe Zeitreihen wie die El-Niño-Daten von 1870 bis 2024 präzise modellieren und prognostizieren kann.
Diese Arbeit entwickelt ein statistisches Rahmenwerk, das zeigt, dass synthetische Daten bei unausgewogenen Klassifizierungsproblemen nicht immer vorteilhaft sind, und empfiehlt die Methode VTSS zur optimalen Bestimmung der Anzahl synthetischer Stichproben basierend auf Validierungsverlusten.
Dieses Papier plädiert für ein neues Paradigma der kausalen Lernforschung, das durch die Integration von Crowdsourcing, Expertenwissen und KI-Simulationen eine verteilte Entscheidungsfindung ermöglicht, um globale kausale Strukturen zu rekonstruieren, die für einzelne Akteure unzugänglich sind.
Diese Arbeit stellt eine neuartige, adaptive Parameterauswahlstrategie für kernelbasierte Gradientenabstiegsverfahren vor, die durch die Integration von Bias-Varianz-Analyse und empirischer effektiver Dimension optimale Generalisierungsgrenzen erreicht und sich effektiv an verschiedene Kernel, Zielfunktionen und Fehlermetriken anpasst.
Das Paper stellt CausalMix vor, ein variationsbasiertes generatives Framework, das durch die Kombination von Misch-Gauß-Verteilungen und datentypspezifischen Dekodern sowohl realistische gemischte tabellarische Daten erzeugt als auch eine präzise, unabhängige Kontrolle über kausale Mechanismen wie Überlappung, Konfundierung und Heterogenität des Behandlungseffekts ermöglicht.
Diese Arbeit leitet neue Eigenschaften der projizierten isotropen Normalverteilung her, entwickelt Approximationen für die Verteilung des mittleren Resultierenden und wendet diese Methoden zur Analyse von EEG-Phasendaten bei Blitzstimulation an.
Die Arbeit stellt das „Pivotal Information Criterion" (PIC) vor, ein kontinuierliches Optimierungsverfahren mit einem an der Detektionsgrenze gewählten Strafterm, das im Vergleich zu etablierten Kriterien wie AIC und BIC in hochdimensionalen Szenarien eine präzisere Modellauswahl bei geringerer Komplexität ermöglicht.
Diese Arbeit stellt ein neues, kontextspezifisches quantitatives Privatsphärenkonzept vor, das auf der Bayesianischen Entscheidungstheorie basiert und durch eine vorab getroffene Offenlegungsentscheidung sowie eine explizitere Formulierung als Differential Privacy und statistische Offenlegungstheorie überzeugt.