297 Arbeiten
Diese Arbeit überwindet fundamentale Grenzen der neuronalen Approximationstheorie, indem sie eine dreidimensionale ReLU-Architektur einführt, die durch effiziente Sägezahn-Funktionen exponentielle Approximationsraten für analytische Funktionen und erstmals quantitative, nicht-asymptotische Ergebnisse für allgemeine -Funktionen ermöglicht.
Dieser Beitrag erweitert die konforme e-Vorhersage auf Fälle mit beobachteter Verwechslung (Confounding) zwischen den Zufallsobjekten und ihren Labels, wobei sowohl unabhängige und identisch verteilte Daten als auch Szenarien mit Abhängigkeiten zwischen den Beobachtungen betrachtet werden.
Diese Arbeit stellt nichtparametrische Regressionsmethoden auf Basis von tiefen neuronalen Netzen unter dem Prinzip der minimalen Fehlerentropie für stark mischende Beobachtungen vor und zeigt, dass sowohl nicht- als auch sparse-gestraffte Schätzer die minimax-optimalen Konvergenzraten erreichen.
Diese Arbeit stellt diagnostische Transportkarten vor, die als covariatenabhängige Korrekturmechanismen dienen, um ungenaue Vorhersageverteilungen für seltene Ereignisse neu zu kalibrieren und gleichzeitig Echtzeit-Diagnosedaten über spezifische Modellfehler zu liefern, was in einer Anwendung zur Vorhersage tropischer Wirbelstürme zu verbesserten Ergebnissen im Vergleich zu operationellen Modellen führt.
Dieser Artikel untersucht den Aufbau, den Auftrag und den strategischen Wert dedizierter Methodengruppen in der pharmazeutischen Industrie, die durch die Entwicklung und Integration innovativer quantitativer Methoden die Effizienz und Erfolgsaussichten von Arzneimittelentwicklungen steigern sollen.
Die Autoren stellen ein kontinuierliches stochastisches Modell für Schnieper's Rückstellungsmethode vor, das auf einem Poisson-Maß und einer Brownschen Bewegung basiert, und entwickeln daraus eine Bootstrap-Methode zur Schätzung der vollständigen Vorhersageverteilung von Schadenrückstellungen, die Asymmetrie und Nicht-Negativität automatisch berücksichtigt.
Diese Arbeit stellt ein statistisch zuverlässiges Optimierungsframework vor, das durch die Korrektur von Hypothesentests für adaptives Sampling und die Einführung einer Zielgröße zur Abwägung von Belohnung und statistischer Effizienz Multi-Armed-Bandits für wissenschaftliche Entdeckungen nutzbar macht, ohne die Gültigkeit der Ergebnisse zu gefährden.
Die Arbeit stellt RIE-Greedy vor, eine Methode für kontextbasierte Banditen, die durch die Nutzung der inhärenten Stochastizität im Regularisierungsprozess beim Modelltraining eine effektive Exploration ohne zusätzliche Strategien ermöglicht und theoretisch sowie empirisch mit Thompson Sampling vergleichbare Ergebnisse liefert.
Die vorgestellte Arbeit führt den „Outrigger"-Schätzer für die lokale Polynomregression ein, der durch die Nutzung der bedingten Score-Funktion und einer stabilisierenden Erweiterung des Datenfensters eine Verteilungsadaptivität bei heteroskedastischen oder nicht-normalverteilten Fehlern erreicht und dabei die Minimax-Optimalität über Hölder-Klassen garantiert, ohne Annahmen über die Unabhängigkeit oder Symmetrie der Fehler zu benötigen.
Die Arbeit stellt einen unified Framework namens wcPCA vor, der robuste, worst-case-optimale Low-Rank-Approximationen für heterogene Datenbereiche entwickelt, deren Konsistenz und asymptotische Garantien theoretisch bewiesen und in Anwendungen wie Matrix Completion sowie realen Ökosystemdaten erfolgreich validiert werden.
Diese Studie zeigt, dass die auf Stichproben basierende Zulassung von Prozessfähigkeitsindizes an festen Schwellenwerten (wie ) bei moderaten Stichprobengrößen zu einer inhärenten Entscheidungsinstabilität führt, bei der selbst bei idealen Verteilungsannahmen eine wahre Fähigkeit genau am Schwellenwert zu einer Annahmewahrscheinlichkeit von nur 50 % führt.
Diese Studie stellt eine multivariate funktionale Hauptkomponentenanalyse für gemischte mHealth-Daten (FPCA) vor, die auf einem semiparametrischen Gaußschen Copula-Modell basiert, um latente zeitliche und intervariable Abhängigkeiten zu schätzen und als digitale Biomarker zur Stratifizierung von Stimmungsstörungs-Subtypen zu nutzen.
Der Artikel stellt ein neuartiges Transfer-Learning-Framework für die Überlebensanalyse vor, das durch den Transfer von prädiktivem statt distributionellem Wissen und die Verwendung flexibler semiparametrischer Transformationsmodelle die Vorhersagegenauigkeit bei begrenzten Ziel-Daten verbessert, ohne auf individuelle Quell-Daten angewiesen zu sein.
Diese Arbeit stellt die dynamische bayessche Regressionsquantilsynthese (DRQS) und ihre multivariate Erweiterung (FDRQS) vor, die durch die Kombination von Quantilinformationen mehrerer Agentenmodelle mittels asymmetrischer Laplace-Verteilung und latenter Faktoren eine überlegene Prognose von Risikoquantilen, insbesondere in Krisenzeiten wie der COVID-19-Pandemie, ermöglichen.
Die vorgestellte Arbeit entwickelt ein sequenzielles Verfahren zur Generierung, Enumeration und Stichprobenziehung von bipartiten, gerichteten und ungerichteten Graphen mit vorgegebenen Gradfolgen, das durch eine notwendige und hinreichende Intervallbedingung die globale Durchführbarkeit garantiert und sich durch hohe Skalierbarkeit bei großen Instanzen auszeichnet.
Dieses Papier stellt ein robustes Framework zur gemeinsamen Modellierung von kontinuierlichen und binären Antworten vor, das auf der Dichte-Power-Divergenz und -Regularisierung basiert, um in hochdimensionalen Szenarien sowohl Ausreißer zu widerstehen als auch eine spärliche Schätzung zu ermöglichen.
Der Beitrag stellt eine Methode zur gleichzeitigen Schätzung mehrerer diskreter unimodaler Verteilungen unter Berücksichtigung stochastischer Ordnungsbeschränkungen vor, die durch Formulierung als gemischt-ganzzahliges konvexes quadratisches Optimierungsproblem insbesondere bei kleinen Stichprobengrößen die Genauigkeit im Vergleich zu bestehenden Verfahren verbessert.
Dieser Artikel erweitert die theoretischen und inferenzstatistischen Ergebnisse der Unit-Teissier-Verteilung durch die Herleitung geschlossener Ausdrücke für Ordnungsstatistiken und L-Momente, die Untersuchung verschiedener Parameterschätzverfahren sowie die Validierung mittels Simulationen und realer Daten.
Diese Arbeit führt mit Blatt- und Struktur-Reue zwei komplementäre Maße ein, um die beobachtete Mehrdeutigkeit bei Entscheidungsbäumen zu zerlegen, wobei sie zeigt, dass die Instabilität der Baumstruktur der Haupttreiber dieser Variabilität ist und diese Maße zur Verbesserung der Modellsicherheit durch selektive Vorhersage genutzt werden können.
Dieser Artikel leitet eine einheitliche Formel für die effektiven Freiheitsgrade von Varianzschätzern mittels Balanced Repeated Replication (BRR) und gepaartem Jackknife in geschichteten Stichproben her, indem er die Unabhängigkeit der stratum-spezifischen Komponenten nutzt, um eine direkte Verbindung zur Welch-Satterthwaite-Approximation herzustellen.