stat.ME Arbeiten | Gist.Science

Nonparametric estimation of a state entry time distribution conditional on a "past" state occupation in a progressive multistate model with current status data

Dieser Artikel stellt zwei nichtparametrische Schätzer vor, um unter Verwendung von aktuellen Statusdaten die Verteilung des Eintritts in einen Zustand sowie die Besetzungswahrscheinlichkeiten in einem progressiven Mehrzustandsmodell zu schätzen, wobei die Herausforderung der starken Intervallzensierung durch innovative Ansätze aus dem Bereich der konkurrierenden Risiken bewältigt wird.

Samuel Anyaso-Samuel, Somnath DattaThu, 12 Ma📊 stat

Learning Robust Treatment Rules for Censored Data

Dieser Artikel stellt zwei robuste Kriterien und einen darauf basierenden Differenz-der-Konvex-Algorithmus vor, um optimale Behandlungsregeln für zensierte Überlebensdaten zu ermitteln, die entweder die abgeschnittene mittlere Überlebenszeit oder gepufferte Überlebenswahrscheinlichkeiten maximieren.

Yifan Cui, Junyi Liu, Tao Shen, Zhengling Qi, Xi ChenThu, 12 Ma📊 stat

Parametric multi-fidelity Monte Carlo estimation with applications to extremes

Diese Arbeit untersucht drei parametrische Schätzmetho-den für Multi-Fidelity-Daten, um die Anpassung von Modellen an Hochpräzisionsdaten zu optimieren, wobei der Schwerpunkt auf Extremwertanalysen und der Anwendung auf extreme Schiffsbewegungen liegt.

Minji Kim, Brendan Brown, Vladas PipirasThu, 12 Ma📊 stat

Vecchia Gaussian Processes: on probabilistic and statistical properties

Diese Arbeit untersucht die probabilistischen und statistischen Eigenschaften der Vecchia-Approximation für isotrope Matérn-Gaußsche Prozesse, leitet neue theoretische Ergebnisse zu kleinen Kugeln und RKHSs her, beweist die optimale Kontraktionsrate der Posterior-Verteilung in der nichtparametrischen Regression und stellt eine effiziente C++-Implementierung mit R-Schnittstelle vor.

Botond Szabo, Yichen ZhuThu, 12 Ma📊 stat

Impact of existence and nonexistence of pivot on the coverage of empirical best linear prediction intervals for small areas

Die Studie zeigt, dass die Konvergenzordnung des Abdeckungfehlers für empirische Best Linear Prediction Intervals in kleinen Gebieten von der Existenz eines Pivot-Elements abhängt und dass ein neu entwickeltes doppeltes parametrisches Bootstrap-Verfahren dieses Problem analytisch löst, während ein einzelnes Bootstrap-Verfahren in Simulationen gute Ergebnisse liefert.

Yuting Chen, Masayo Y. Hirose, Partha LahiriThu, 12 Ma📊 stat

Network Cross-Validation and Model Selection via Subsampling

Dieses Paper stellt NETCROP vor, ein effizientes und genaues Verfahren zur Kreuzvalidierung und Modellauswahl in komplexen Netzwerken, das durch die Aufteilung in überlappende Teilnetzwerke die besonderen strukturellen Herausforderungen von Netzwerkdaten adressiert.

Sayan Chakrabarty, Srijan Sengupta, Yuguo ChenThu, 12 Ma📊 stat

Causal Meta-Analysis: Rethinking the Foundations of Evidence-Based Medicine

Diese Studie stellt eine kausale Neuinterpretation der Meta-Analyse vor, die durch die Einführung neuer Aggregationsformeln für nichtlineare Effektmaße die Grenzen herkömmlicher Methoden überwindet und zeigt, dass konventionelle Ansätze in bestimmten Fällen fälschlicherweise positive Behandlungseffekte suggerieren können, obwohl die kausale Wirkung schädlich ist.

Clément Berenfeld, Ahmed Boughdiri, Bénédicte Colnet, Wouter A. C. van Amsterdam, Aurélien Bellet, Rémi Khellaf, Erwan Scornet, Julie JosseThu, 12 Ma📊 stat

Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

Diese Arbeit stellt einen Rahmen vor, um evidenzbasierte Anpassungsvariablen für adaptive Interventionen systematisch zu entwickeln, und betont, dass speziell konzipierte Optimierungsexperimente zwar aufwendiger, aber aussagekräftiger sind als die Nutzung sekundärer Beobachtungsdaten, um kausale Entscheidungen über Messzeitpunkte und Schwellenwerte zu treffen.

John J. Dziak, Inbal Nahum-ShaniThu, 12 Ma📊 stat

Two-sample comparison through additive tree models for density ratios

Diese Arbeit stellt additive Baummodelle mit einer neuartigen „Balancing-Loss"-Funktion vor, die eine effiziente Schätzung von Dichteverhältnissen mittels etablierter Algorithmen wie Gradient Boosting sowie eine Bayessche Inferenz zur Unsicherheitsquantifizierung ermöglicht, was insbesondere bei hochdimensionalen und datenlimitierten Verteilungen sowie zur Bewertung generativer Modelle vorteilhaft ist.

Naoki Awaya, Yuliang Xu, Li MaThu, 12 Ma📊 stat

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Die Studie stellt die „Pairwise Last Observation Time" (PLOT)-Methode vor, einen robusten, modellfreien Ansatz zur Schätzung von Behandlungseffekten in longitudinalen Studien, der durch den Vergleich von Patienten kurz vor dem Eintreten interkurrenter Ereignisse (wie Tod oder Abbruch) auf Basis von Baseline-Daten komplexe Verzerrungen vermeidet und ohne strukturelle Annahmen auskommt.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Diese Arbeit entwickelt nichtparametrische Schranken für verschiedene Arten von Vakzinwirksamkeiten in randomisierten Studien, indem sie die starke Annahme fehlender unbeobachteter gemeinsamer Ursachen aufweicht und sowohl lineare Programmierung als auch Monotonie-basierte Methoden unter verschiedenen kausalen Strukturen anwendet.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Die Arbeit stellt Augmented Time Series Causal Models (ATSCM) vor, ein Framework, das neuronale kausale Entdeckung mit Gegenfaktischen Schlussfolgerungen kombiniert, um die komplexen, zeitlich variierenden kausalen Zusammenhänge in Energiemärkten zu modellieren und Szenarioanalysen für Strompreise zu ermöglichen.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

Die vorgestellte Arbeit führt das TNCM-VAE-Modell ein, das Variational Autoencoder mit strukturellen Kausalmodellen kombiniert, um synthetische Finanzzeitreihen zu generieren, die sowohl zeitliche Abhängigkeiten als auch kausale Zusammenhänge bewahren und somit verlässliche Gegenfakten für Risikoanalysen und Stresstests ermöglichen.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Die Arbeit zeigt, dass die Erweiterung von kausalen Normalformspielen auf sequenzielle Szenarien trotz theoretischer Eleganz und PSPACE-Vollständigkeit in der Praxis keine Wohlfahrtsverbesserung gegenüber klassischen Stackelberg-Gleichgewichten bietet, da rationale Rückwärtsinduktion kausale Vorteile eliminiert und somit neue theoretische Rahmenwerke jenseits des Nash-Gleichgewichts für KI-Agenten erforderlich macht.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Diese Arbeit stellt ein neues signiertes Block- $\beta$ -Modell vor, das sowohl starke als auch schwache Balance in heterogenen Netzwerken modelliert, und beweist dessen Identifizierbarkeit sowie asymptotische Konsistenz für die Gemeinschaftserkennung, was durch numerische Experimente und eine Anwendung auf internationale Beziehungsnetzwerke untermauert wird.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Diese Arbeit entwickelt und analysiert Schätzer für die funktionale lineare Regression, die auf der Transfer-Learning-Methode der Kontrollvariablen basieren, um datenschutzkonforme Lernprozesse zu ermöglichen, die theoretische Verbindung zu Offset-Transfer-Learning herzustellen und die Konvergenzraten unter Berücksichtigung von Diskretisierungsfehlern zu bestimmen.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Diese Arbeit stellt ein einheitliches Framework für die Online-Erkennung von LLM-Wasserzeichen auf Basis von E-Prozessen vor, das beliebige sequentielle Tests mit unabhängigen Pivot-Statistiken ermöglicht, anytime-valid Garantien bietet und durch empirisch adaptive Methoden eine verbesserte Detektionsleistung erreicht.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

Insights into the Relationship Between D- and A-optimal Designs

Die Arbeit zeigt, dass sich das A-Kriterium in einen inversen D-Skalierungsterm und einen dimensionslosen Sphärizitätsfaktor zerlegen lässt, was erklärt, warum D-optimale Designs trotz ähnlicher Determinanten in ihrer Varianzleistung erheblich voneinander abweichen können, und nutzt diese Erkenntnis zur Verbesserung von Screening- und Raumfüllungsdesigns.

Andrew T. Karl, Bradley JonesThu, 12 Ma📊 stat

The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Diese Arbeit stellt den Epistemischen Unterstützungs-Punkt-Filter (ESPF) als den optimalen, evidenzbasierten Filter vor, der Jaynes' Maximum-Entropie-Prinzip mit Popper's Falsifikation verbindet, um die worst-case epistemische Unwissenheit zu minimieren und dabei Bayessche Ansätze durch eine possibilistische Minimax-Optimierung zu übertreffen.

Moriba Kemessia JahThu, 12 Ma🔢 math

← Zurück Weiter →