297 Arbeiten
Diese Studie stellt einen neuen Ansatz vor, der Hierarchische Zerlegungs-Priors in bayesianische Artenverteilungsmodelle integriert, um die Varianzpartitionierung in ökologische, räumliche und zeitliche Effekte transparenter zu gestalten und gleichzeitig eine vergleichbare Vorhersagegenauigkeit zu gewährleisten.
Diese Arbeit leitet für den Überschuss eines Random Walks aus einer standardisierten Exponentialfamilie im Regime kleiner Drift gleichmäßige Lorden-artige Momentenschranken mit expliziten, exponentiell in der Barriere abklingenden Restgliedern her und zeigt, dass sich die klassische Konstante für große Barrieren auf 1 verbessert, wobei die Konvergenzgeschwindigkeit zudem im Sinne optimalen Transports interpretiert wird.
Diese Arbeit untersucht die statistischen Grenzen der Detektion mehrerer versteckter, inhomogener Submatrizen in großen Gauß-Matrizen unter verschiedenen Verschiebungsmodellen und Platzierungsregimen, indem sie informationstheoretische Untergrenzen beweist und Algorithmen entwickelt, die diese bis auf logarithmische Faktoren erreichen.
Diese Arbeit leitet unter schwachen Bedingungen die Grenzwertverteilungen für die letzte Zeit und die Gesamtanzahl der Abweichungen eines stark konsistenten Schätzers von seinem Zielwert ab, wodurch neue Optimalitätseigenschaften für Maximum-Likelihood-Schätzer sowie Methoden für sequenzielle Konfidenzmengen und Tests in parametrischen, nichtparametrischen und nicht-i.i.d.-Szenarien etabliert werden.
Der Artikel beschreibt die Entdeckung und Analyse eines neuen arithmetischen Phänomens namens „Murmurationen", das durch KI-Methoden identifiziert wurde und subtile Informationen über Frobenius-Spuren im Kontext der Birch-und-Swinnerton-Dyer-Vermutung sowie der Zufallsmatrixtheorie kodiert.
Diese Arbeit bestimmt die exakte Menge aller gleichzeitig erreichbaren Wertepaare von Chatterjees und Blests Rangkorrelationen über die Klasse aller bivariaten Copulas, indem sie ein Optimierungsproblem löst und eine neue Extremal-Copula-Familie mit geschlossenen Formeln zur expliziten Parametrisierung dieses Bereichs herleitet.
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.
Dieser Artikel stellt ein bayessches, diskretes stochastisches Epidemiemodell vor, das unter Berücksichtigung von Mobilitätsdaten und unvollständigen Fallzahlen die Gesamtzahl der SARS-CoV-2-Infektionen schätzt, Hamiltonian Monte Carlo als robuste Inferenzmethode gegenüber Variational Bayes empfiehlt und durch Phasenebenenanalysen sowie informative Prioris die Entscheidungsfindung während der Pandemie verbessert.
Diese Arbeit stellt eine allgemeine Konvergenz- und Komplexitätsanalyse für blockweise Majorization-Minimization-Algorithmen bei nichtkonvexen Optimierungsproblemen mit Riemannschen Nebenbedingungen vor, die eine asymptotische Konvergenz zu stationären Punkten und eine -Iterationsschranke für -stationäre Punkte garantiert und dabei eine breite Palette von Anwendungen wie robustes PCA und Riemannisches CP-Wörterbuch-Lernen abdeckt.
Diese Arbeit stellt einen bias- und varianzbewussten probabilistischen Rahmen zur Analyse von Rundungsfehlern vor, der durch explizite Konfidenzparameter und die Berücksichtigung von Verzerrungen in der Fehlerverteilung (z. B. mittels Beta-Modellen) präzisere Schranken als klassische Worst-Case-Theorien liefert und sich in CUDA-Experimenten mit niedriger Genauigkeit als besonders nützlich erweist.
Diese Arbeit stellt ein einheitliches Rahmenwerk vor, das Hamiltonian Monte Carlo und stückweise deterministische Markov-Prozess-Sampler durch die Einführung von „bouncy" Hamilton-Dynamiken verbindet und so einen effizienten, ablehnungsfreien Sampler für hochdimensionale bayessche Inferenzprobleme ermöglicht.
Die Studie entwickelt eine innovative Stichprobenmethode für relationale Ereignismodelle, die es ermöglicht, globale Kovariaten wie Wetter und Tageszeit effizient zu schätzen und deren signifikanten Einfluss auf die Dynamik von Fahrradverleihsystemen in Washington D.C. nachzuweisen.
Die Autoren stellen ein rechnerisch effizientes Multi-Level-Gauß-Prozess-Regressionsmodell für funktionale Daten vor, das durch die Herleitung exakter analytischer Ausdrücke für regelmäßig oder teilweise regelmäßig abgetastete Beobachtungen die Anpassung an große Datensätze ermöglicht, die mit Standardimplementierungen nicht handhabbar wären.
Dieses Papier stellt eine Methode vor, die auf der Invarianz des Pearson-Risikos und der Maximierung der erwarteten Likelihood basiert, um kausale Generalisierte Lineare Modelle selbst bei nur einer Datenumgebung zu identifizieren, wobei die Ergebnisse im R-Paket `causalreg` implementiert sind.
Diese Arbeit stellt einen neuen Metropolis-Hastings-Algorithmus mit Subsampling und Kontrollvariablen vor, der eine exakte und recheneffiziente Bayesianische Inferenz für große Datensätze ermöglicht, indem er detaillierte Balance gewährleistet und deutlich kleinere Stichproben als bestehende Methoden benötigt.
Die Autoren stellen ein exploratives, eingeschränktes Latent-Class-Modell vor, das polytome Antwortdaten und kategoriale Attribute mit Kovariaten auf Individualebene kombiniert, um durch eine multivariate Probit-Spezifikation korrelierte latente Strukturen bei der Diagnose von Depressionen besser zu erfassen als herkömmliche Ein-Faktor-Ansätze.
Diese Arbeit stellt einen neuartigen, nichtparametrischen Rahmen zur Erkennung von Strukturbrüchen in den mittleren Richtungen toroidaler und sphärischer meteorologischer Daten vor, indem sie intrinsische Geometrie nutzt, um eine gekrümmte Streumatrix und Mahalanobis-Abstandsmaße zu definieren, was erfolgreich auf Windwellenrichtungen und die Zugbahn des Zyklons Biporjoy angewendet wurde.
Der Artikel stellt einen stabilen, interpretierbaren und flexiblen Ansatz zur Überlebensextrapolation vor, der durch Transferlernen von Bevölkerungsdaten und polyhazard-Modelle die Mittelwertüberlebenszeit für gesundheitsökonomische Bewertungen in verschiedenen klinischen Kontexten verbessert.
Die Arbeit zeigt, dass eine Mischung nichtzentraler Wishart-Verteilungen mit gleichen Freiheitsgraden selbst eine nichtzentrale Wishart-Verteilung ergibt, und nutzt dieses Ergebnis, um die Verteilung von Teststatistiken für zufällige Effekte in faktoriellen Versuchsplänen mit mehrdimensionalen Normaldaten abzuleiten.
Dieses Paper stellt das Multi-Rank Subspace-CUSUM (MRS-C)-Verfahren vor, ein effizientes Echtzeit-Verfahren zur Erkennung von Änderungen in der Kovarianzstruktur hochdimensionaler Roboter-Schwarmdaten, das asymptotisch optimale Leistung garantiert und auch bei unbekanntem Signalrang robust funktioniert.