161 Arbeiten
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.
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.
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.
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Die Arbeit untersucht das empirische Orlicz-Norm-Verfahren als Schätzer für Verteilungsnormen, leitet ein Gesetz der großen Zahlen ab und zeigt, dass die Konvergenzraten je nach Verteilungsklasse variieren, wobei sub-gaußsche Normalverteilungen eine nichtstandardisierte Konvergenzrate und eine stabile Grenzverteilung aufweisen, während für die Klasse aller Verteilungen mit beschränkter Orlicz-Norm keine einheitliche Konvergenzrate existiert.
Die Arbeit beweist die Universalität von asymmetrischen rank-one Spiked-Tensor-Modellen, indem sie zeigt, dass die asymptotischen spektralen Eigenschaften und statistischen Grenzen des Maximum-Likelihood-Schätzers auch bei nicht-gaußschen Rauschverteilungen mit endlicher vierter Moment identisch mit dem klassischen gaußschen Fall sind.
Dieser zweite Teil der Serie charakterisiert die kritischen Regime des Shuffle-Modells, in denen lokale Randomizer stark konzentriert sind und die klassischen Gaußschen Grenzwertsätze durch nicht-gaußsche Verteilungen wie Poisson-, Skellam- und zusammengesetzte Poisson-Prozesse ersetzt werden.
Dieses Papier schlägt eine Methode zur unüberwachten Hyperspektralbild-Clustering vor, die unbalancierte Wasserstein-Baryzentren nutzt, um eine robuste, niedrigdimensionale Darstellung zu lernen und so die Nachteile herkömmlicher ausbalancierter Ansätze wie Klassenverwischung und Empfindlichkeit gegenüber Ausreißern zu überwinden.
Diese Arbeit analysiert eine Diffusionsapproximation des Policy-Gradient-Verfahrens für stochastische Banditen, indem sie zeigt, dass bei einer Lernrate von ein logarithmisches Regret von erreicht wird, während für bestimmte Instanzen mit logarithmisch vielen Armen eine lineare Lernrate erforderlich ist, um lineares Regret zu vermeiden.
Diese Arbeit stellt ein neues ARCH-Framework für Daten in separablen Hilbert-Räumen vor, das die vollständige Entwicklung des bedingten Kovarianzoperators modelliert, und leitet für eine vereinfachte Variante stationäre Lösungen sowie konsistente Schätzer her, deren praktische Relevanz durch Simulationen und eine Anwendung auf hochfrequente intraday-Renditen demonstriert wird.
Dieses Papier widerlegt die Allgemeingültigkeit eines weit verbreiteten Kriteriums zur Identifizierung minimaler hinreichender Statistiken durch Gegenbeispiele, schlägt ein versionsrobustes alternatives Kriterium vor und analysiert weitere etablierte Methoden.
Die Studie stellt einen surrogate-assistierten, gezielten Minimum-Loss-Schätzer vor, der stabile und doppelt robuste kausale Schätzungen für verzögerte Endpunkte unter administrativer Zensierung ermöglicht, indem sie eine Surrogat-Brücken-Darstellung nutzt, die auf inverse Wahrscheinlichkeitsgewichte verzichtet.
Dieser Artikel stellt eine starke gaußsche Approximation für hochdimensionale nicht-degenerierte U-Statistiken mit divergierender Dimension bereit, die auf einer scharfen Martingal-Maximalungleichung basiert und eine einheitliche theoretische Grundlage für Inferenzverfahren wie Change-Point-Tests und selbstnormalisierte Tests unter schweren Verteilungsschwänzen liefert.
Die Arbeit stellt Scorio, eine Open-Source-Bibliothek für statistische Ranking-Methoden, vor, die es ermöglicht, Reasoning-LLMs unter Test-Time-Scaling zuverlässig zu bewerten, wobei sich zeigt, dass die meisten Methoden auch bei begrenzten Versuchen mit einem Bayesianischen Goldstandard übereinstimmen.
Der Artikel stellt „ForwardFlow" vor, ein rein simulationsbasiertes statistisches Inferenzverfahren, das ein einziges Deep-Learning-Netzwerk nutzt, um aus simulierten Daten Parameterschätzungen zu gewinnen und dabei Eigenschaften wie endliche Stichprobengenauigkeit, Robustheit gegenüber Datenverfälschungen und die automatische Approximation komplexer Algorithmen wie des EM-Algorithmus demonstriert.
Die Arbeit untersucht die Konstruktion positiv definiter Funktionen für das Schwellenwertverfahren von Korrelationsmatrizen, um deren positive Semidefinitheit zu erhalten, und zeigt, dass jede solche geometrisch unverzerrte Soft-Thresholding-Methode zwangsläufig zu einem signifikanten Informationsverlust führt.
Dieses Papier liefert axiomatische Charakterisierungen verallgemeinerter -Schätzer und gewöhnlicher -Schätzer (auch -Schätzer genannt), wobei Symmetrie, (starke) Internalität und asymptotische Idempotenz als Schlüsseleigenschaften dienen und in den Beweisen ein Separationstheorem für abelsche Unterhalbgruppen eine zentrale Rolle spielt.
Dieses Buch fasst die theoretischen Grundlagen und wichtigen Beweisstrategien der konformen Vorhersage zusammen, um verteilungsfreie Unsicherheitsquantifizierung für maschinelles Lernen in einer einheitlichen und pädagogischen Sprache zugänglich zu machen.
Die Arbeit beweist für die diskret beobachtete oszillierende Brownsche Bewegung, dass der Maximum-Likelihood-Schätzer unter infill-Asymptotik eine -Konsistenz aufweist und eine stabile Konvergenz zu einer Poisson-artigen Grenzverteilung zeigt, wobei die nicht-stetige Übergangsdichte zu einem mehrstufigen Ausschluss des Schätzers aus immer kleineren Umgebungen des wahren Parameters führt.
Die Autoren stellen einen neuen Omnibus-Test für die Anpassungsgüte univariater kontinuierlicher Verteilungen vor, der auf trigonometrischen Momenten basiert, die Kovarianzstruktur der Statistik voll ausnutzt und somit auch bei Vorliegen von Störparametern eine exakte asymptotische -Verteilung sowie eine hohe Teststärke bietet.