252 Arbeiten
Der Artikel untersucht die asymptotischen Eigenschaften von Schnittverteilungen zur Verhinderung der Propagierung von Modellfehlern, leitet ein Bernstein-von-Mises-Theorem her und stellt einen auf Posterior Bootstrap basierenden Algorithmus vor, der in numerischen Experimenten zuverlässige frequentistische Konfidenzbereiche liefert.
Dieser Artikel stellt einen theoretischen und numerischen Rahmen vor, um das inverse Problem für diskret beobachtete zufällige rauh-differenzielle Gleichungen zu lösen, indem ein geometrischer -rauer Pfad konstruiert wird, dessen Lösung die beobachtete Trajektorie approximiert, und zwar durch die Formulierung als Grenzwert diskreter Probleme sowie die Entwicklung eines konvergenten iterativen Algorithmus zur Schätzung der lokalen Gradienten.
Dieses Paper stellt eine neue Methode vor, die Low-Rank-Matrix-Vervollständigung durch eine disjunktive Branch-and-Bound-Strategie und neuartige konvexe Relaxierungen löst, um für Probleme bis zu 2500 Dimensionen und Rang 5 zertifizierbare Optimalität zu erreichen und dabei die Testfehler im Vergleich zu etablierten Heuristiken signifikant zu senken.
Der Artikel stellt ein effizientes, auf Optimaler Transport basierendes Aggregationsverfahren für verteilte Mixture-of-Experts-Modelle vor, das durch Minimierung einer Transportdivergenz eine globale Schätzung mit nur einem Kommunikationsschritt ermöglicht und dabei statistische Konsistenz sowie eine dem zentralen Training vergleichbare Leistung bei deutlich reduzierter Rechenzeit garantiert.
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.
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 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.
Die Studie zeigt, dass Diffusionsmodelle bei knappen Daten nicht abrupt, sondern durch einen allmählichen geometrischen Zusammenbruch ihrer latenten Dimensionalität memorieren, bei dem zunächst markante Merkmale und dann feinere Details eingefroren werden, was zu einer Phase zwischen Generalisierung und exakter Kopie führt.
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.
Die Arbeit stellt CLIQUE vor, eine neue modellunabhängige Methode zur Berechnung der lokalen Variablenwichtigkeit, die im Gegensatz zu etablierten Verfahren wie LIME und SHAP lokale Abhängigkeiten und Interaktionen erfasst, insbesondere bei Mehrklassen-Klassifikationsproblemen, und Verzerrungen in Bereichen reduziert, in denen Variablen keinen Einfluss auf die Antwort haben.
Diese Arbeit schlägt eine Kalibrierung von klinischen Studien vor, die statistische und klinische Signifikanz verbindet, indem sie nachweist, dass gängige Studiendesigns mit 95 % Power und 5 % Fehlalarmrate eine robuste Evidenz für ein Ungleichgewicht der klinischen Äquipoise liefern.
Diese Arbeit stellt ein neues statistisches Modell für Paarvergleiche vor, das auf einer schief-symmetrischen Matrix basiert und die einschränkende Annahme der stochastischen Transitivität aufgibt, um in realen Szenarien mit komplexen Fähigkeiten oder Strategien eine überlegene Vorhersagegenauigkeit und theoretische Optimalität zu erreichen.
Die Studie stellt einen Algorithmus vor, der die Support-Vector-Classification in nicht-euklidischen Räumen durch die Integration der Datenkovarianz mittels Cholesky-Zerlegung in das Optimierungsproblem verbessert und damit die Suboptimalität herkömmlicher KKT-Bedingungen sowie eine signifikant höhere Klassifikationsleistung im Vergleich zu traditionellen SVM-Ansätzen nachweist.
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.
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.
Dieses Paper stellt einen adaptiven Algorithmus vor, der die Ressourcen zwischen der Schätzung von Orakel-Statistiken und dem Aufbau eines Multi-Fidelity-Schätzers optimal ausbalanciert, um die Rechenkosten zu senken und gleichzeitig eine Genauigkeit zu erreichen, die mit der theoretisch optimalen Zuordnung vergleichbar ist.
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.
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.
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.