215 Arbeiten
Das Paper stellt AgroDesign vor, ein Python-Framework, das experimentelle Versuchspläne in der Landwirtschaft direkt in statistische Modelle übersetzt, um die Reproduzierbarkeit zu erhöhen und die Gefahr fehlerhafter Schlussfolgerungen durch manuelle Modellierung zu minimieren.
Diese Arbeit stellt ein integriertes Online-Framework zur Vorhersage der Zuverlässigkeit von Satellitenelektronik vor, das ein Wiener-Prozess-Degradationsmodell mit räumlichen Korrelationen und eine adaptive zweistufige Active-Learning-Strategie kombiniert, um trotz begrenzter Daten und variierender Betriebsbedingungen eine hohe Vorhersagegenauigkeit zu erreichen.
Die Studie stellt MM-test vor, eine verteilungsfreie Methode zur Identifizierung räumlich variabler Gene in räumlicher Transkriptomik, die mithilfe eines Quasi-Likelihood-Ratio-Tests und einer Knockoff-Prozedur die Falsch-Entdeckungsrate kontrolliert und sich durch überlegene Leistung sowie theoretische Garantien sowohl bei 2D- als auch bei 3D-Datensätzen auszeichnet.
Die Autoren stellen ein vollständig bayessches Inferenzverfahren für unnormalisierte Modelle vor, das auf Noise Contrastive Estimation und Pólya-Gamma-Datenaugmentierung basiert, um die Normalisierungskonstante als zusätzlichen Parameter zu behandeln und so eine präzise Parameterschätzung sowie eine prinzipielle Unsicherheitsquantifizierung ohne aufwendige Abstimmung zu ermöglichen.
Der Artikel stellt ein einheitliches Framework zur Anomalieerkennung vor, das Anomalien als Beobachtungen mit ungewöhnlich niedriger Wahrscheinlichkeit definiert und deren Erkennung durch die Schätzung der oberen Schwänze einer Surprisal-Verteilung mittels robuster empirischer oder Extremwert-Methoden auf komplexe Daten anwendbar macht.
Dieses Papier stellt ein einheitliches Framework für traditionelle und konvexe nicht-negative Matrixfaktorisierung (NMF) unter Verwendung von Tweedie- und Negativ-Binomial-Kostenfunktionen vor, leitet Multiplikations-Update-Regeln mittels Majorize-Minimisation ab und zeigt durch empirische Evaluierungen, dass die Wahl des Rauschmodells sowie der Einsatz konvexer NMF die Anpassungsgüte und Merkmalswiederherstellung signifikant verbessern.
Diese Arbeit stellt ein neuartiges hierarchisches Multi-Task-Multi-Fidelity-Framework für Gaußsche Prozesse vor, das durch die gleichzeitige Nutzung von Ähnlichkeiten zwischen Aufgaben und fidelityabhängigen Datenmerkmalen die Vorhersagegenauigkeit bei der Surrogatmodellierung in Fertigungssystemen signifikant verbessert.
Die Autoren stellen ein bayessches adaptives Anreicherungsdesign vor, das historische Aggregatdaten mithilfe eines normalisierten Power-Priors nutzt, um individuelle Behandlungsentscheidungen zu optimieren und in klinischen Studien die Effizienz durch frühere Stoppentscheidungen sowie reduzierte Fallzahlen zu steigern.
Diese Arbeit zeigt, dass durch eine sorgfältige Kombination von Stichprobenaufteilung und gezieltem Tuning der Störvariablen-Schätzer (Untersmoothing oder Oversmoothing) sowohl Plug-in- als auch verzerrungskorrigierte Schätzer für doppelt robuste Funktionale über alle Hölder-Glattheitsklassen hinweg minimax-optimal konvergieren können.
Der Beitrag stellt einen effizienten, tuning-freien geodätischen Slice-Sampling-Algorithmus für Wahrscheinlichkeitsmaße auf der Sphäre vor, der nachweislich gleichmäßig ergodisch ist und in numerischen Experimenten gegenüber Standardverfahren wie Random-Walk Metropolis-Hastings und Hamiltonian Monte Carlo überlegen ist.
Die Studie stellt einen strukturierten semiparametrischen Ansatz vor, der auf Double Machine Learning basiert, um verzerrte Schätzer in randomisierten Experimenten auf Plattformen mit algorithmischer Interferenz zu korrigieren und so präzise globale Behandlungseffekte für den flächendeckenden Einsatz von Algorithmen zu ermöglichen.
Die Autoren stellen einen allgemeinen Transfer-Learning-Rahmen für das Clustering vor, der einen adaptiven Algorithmus (ATC) nutzt, um die Gemeinsamkeiten zwischen einem Haupt- und einem Hilfsdatensatz automatisch zu nutzen, selbst bei unbekannten Diskrepanzen, und dessen theoretische Optimalität sowie praktische Wirksamkeit in verschiedenen Szenarien nachgewiesen wird.
Die Arbeit stellt DR-FoS, eine doppelt robuste Methode zur Schätzung des funktionalen durchschnittlichen Behandlungseffekts (FATE) bei funktionellen Outcomes in Beobachtungsstudien, vor, die konsistente Schätzungen auch bei Modellfehlern ermöglicht und durch asymptotische Eigenschaften sowie Anwendungen auf reale Daten wie SHARE validiert wird.
Diese Arbeit stellt einen neuen Algorithmus vor, der die Berechnung einer vollständigen Kurve von Post-hoc-Schranken für den Anteil falsch entdeckter Hypothesen entlang einer Pfadsequenz von Auswahlmengen durch Ausnutzung der Waldstruktur der Referenzfamilie von einer quadratischen auf eine lineare Komplexität in Bezug auf die Anzahl der Hypothesen reduziert.
Die Arbeit stellt StablePCA vor, einen verteilungsrobusten Rahmen zur Extraktion stabiler latenter Darstellungen aus multi-sourcigen Daten durch Maximierung der worst-case erklärten Varianz, der mittels konvexer Relaxierung und eines effizienten Mirror-Prox-Algorithmus mit globalen Konvergenzgarantien gelöst wird.
Diese Arbeit stellt den Poisson-Tensor-Vervollständigungsschätzer (PTC) vor, der durch die Modellierung von Histogramm-Bins als inhomogener Poisson-Prozess eine nicht-negative, rangreduzierte Zerlegung ermöglicht und sich insbesondere bei sub-Gaußschen Verteilungen als überlegen gegenüber herkömmlichen Histogrammschätzern erweist.
Dieser Beitrag stellt den c-delta-Koeffizienten vor, ein neuartiges statistisches Maß zur Quantifizierung der Ähnlichkeit von internen Divergenzmustern zwischen zwei Wertegruppen, das sich von herkömmlichen Korrelationskoeffizienten unterscheidet und Anwendungen in Bereichen wie Quantenphysik, Genetik und maschinellem Lernen ermöglicht.
Der Artikel stellt Sigmoid-FTRL vor, einen adaptiven Versuchsplanungsansatz, der die Nichtkonvexität bei der Neyman-Allokation für AIPW-Schätzer überwindet, indem er zwei konvexe Regrets minimiert, wodurch ein minimax-optimaler Konvergenzrate von erreicht und asymptotisch gültige Konfidenzintervalle ermöglicht werden.
Die Arbeit stellt neue Werkzeuge für Split-Conformal-Vorhersagen vor, die über die reine Abdeckung hinausgehen, indem sie durch eine Small-Sample-Beta-Korrektur und einen Kalibrierungs- und Auditierungsansatz finite-garantierte operative Kennzahlen wie Entscheidungshäufigkeit und Fehlerexposition für den praktischen Einsatz bereitstellen.
Diese Arbeit zerlegt die Varianz des durch Permutationen induzierten Schätzers für die Prozessstandardabweichung in MR-Regelkarten mittels des Gesetzes der totalen Varianz in eine wertbasierte und eine adjazenzbasierte Komponente und zeigt, dass der bekannte asymptotische Effizienzverlust gegenüber dem Standardabweichungsschätzer fast ausschließlich auf den durch die Reihenfolge bedingten Adjazenz-Effekt zurückzuführen ist.