161 Arbeiten
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.
Dieses Papier entwickelt eine asymptotische Expansionsformel für die Bootstrap-Abdeckungswahrscheinlichkeit in hochdimensionalen Settings, um zu erklären, warum die Wild-Bootstrap-Methode mit Dritt-Momenten-Anpassung auch ohne Studentisierung eine zweite Ordnung Genauigkeit erreicht, und zeigt zudem, dass eine doppelte Wild-Bootstrap-Methode unabhängig von der Kovarianzstruktur diese Genauigkeit liefert.
Diese Arbeit untersucht die Verteilungsstabilität eines sparse Schätzers für die Inverse Kovarianzmatrix unter kontaminierten Daten, indem sie explizite lokale Lipschitz-Schranken für die Distanz zwischen den Verteilungen des Schätzers mittels der Kantorovich-Metrik herleitet und diese Ergebnisse auf Standard-Kovarianzschätzer sowie numerische Experimente und Anwendungen überträgt.
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.
Diese Arbeit entwickelt GMM- und M-Schätzer für netzwerkabhängige Daten, indem sie auf der Arbeit von Kojevnikov, Marmer und Song (2021) aufbaut und eine neue gleichmäßige Gesetz der großen Zahlen herleitet, um Konsistenz und asymptotische Normalität nachzuweisen.
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.
Dieses Papier entwickelt einen nichtstandardanalytischen Rahmen für kohärente Risikomaße und deren Schätzer, der hyperendliche Darstellungen, diskrete Kusuoka-Formeln und asymptotische Eigenschaften wie Konsistenz, Bootstrap-Gültigkeit und asymptotische Normalität vereint, um eine transparente Verbindung zwischen Wahrscheinlichkeitstheorie und Statistik herzustellen.
Dieses Papier stellt ein neues Verfahren zur kovatariaten adaptiven Randomisierung vor, das nicht nur eine effiziente Balance der spezifizierten Kovariaten gewährleistet, sondern gleichzeitig verhindert, dass die Varianz der Unbalancierung bei nicht spezifizierten Kovariaten im Vergleich zur einfachen Randomisierung infliert wird, wodurch die Gültigkeit von Tests auf Behandlungseffekte gesichert und das „Shift-Problem" vermieden wird.
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.
Die Arbeit stellt einen skalierbaren, multitask-fähigen Gauß-Prozess mit funktionalen Kovariaten vor, der durch eine voll separierbare Kernel-Struktur und Kronecker-Strukturen effiziente Unsicherheitsquantifizierung für komplexe mechanische Systeme ermöglicht und dabei in Tests an einer genieteten Baugruppe deutlich bessere Ergebnisse als Single-Task-Modelle bei geringerem Rechenaufwand liefert.
Die Arbeit entwickelt ein thermodynamisches Rahmenwerk für die asymptotische Inferenz, das Shannon-Information als Entropie behandelt und zeigt, dass Inferenzprozesse als entgegengesetzte Schattenprozesse zur Ensemblephysik innerhalb einer vereinheitlichten thermodynamischen Beschreibung evolvierten.
Diese Arbeit leitet unter der Low-Noise-Bedingung schnellere Minimax-Konvergenzraten für eine binäre Plug-in-Klassifikationsmethode bei Zeit-homogenen SDE-Pfaden mit klassenspezifischem Drift und gemeinsamem Diffusionskoeffizienten her, indem sie eine entscheidende exponentielle Ungleichung herstellt und eine untere Schranke für das Exzessrisiko ableitet.
Die Arbeit stellt RACER vor, einen risikobewussten, kalibrierten und effizienten Router für große Sprachmodelle, der durch die Formulierung des Routing-Problems als -VOR-Problem und die Ausgabe aggregierbarer Modellsätze eine verteilungsunabhängige Risikokontrolle bei gleichzeitiger Verbesserung der Genauigkeit gewährleistet.
Die Arbeit stellt einen neuen Schätzer für die Kullback-Leibler-Divergenz vor, der auf der Shannon-Entropie und k-Nächste-Nachbarn-Methoden basiert, und nutzt ihn für einen goodness-of-fit-Test auf Multivariat-Normalverteilung, der sich in Simulationen als überlegen gegenüber herkömmlichen Tests erweist.
Diese Arbeit formalisiert das Ziel adaptiver Experimente, positive Behandlungseffekte in Teilpopulationen nachzuweisen, indem sie Schätzverfahren für den multi-armed-bandit-Rahmen entwickelt, die sowohl eine Informationspoolsierung als auch zeitlich einheitliche Mehrfachtests untermauern, und zeigt, wie sich das experimentelle Design durch die Optimierung des Signal-Rausch-Verhältnisses als Bandit-Problem mit logarithmischem Regret-Verlust gestalten lässt.
Diese Arbeit stellt eine neue Fréchet-Regression für multivariate Verteilungsantworten vor, die auf dem nicht-paranormalen Transport (NPT) basiert, um die Schätzung effizient zu gestalten, die Dimensionalitätsfluch-Problematik zu mildern und sowohl theoretische Konvergenzgarantien als auch praktische Anwendbarkeit zu gewährleisten.