stat Arbeiten | Gist.Science

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Die Studie stellt die „Pairwise Last Observation Time" (PLOT)-Methode vor, einen robusten, modellfreien Ansatz zur Schätzung von Behandlungseffekten in longitudinalen Studien, der durch den Vergleich von Patienten kurz vor dem Eintreten interkurrenter Ereignisse (wie Tod oder Abbruch) auf Basis von Baseline-Daten komplexe Verzerrungen vermeidet und ohne strukturelle Annahmen auskommt.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Absolute indices for determining compactness, separability and number of clusters

Diese Arbeit stellt neue absolute Cluster-Indizes vor, die auf einer Kompaktheitsfunktion und einer Nachbarschaftsmenge basieren, um die Kompaktheit und Trennbarkeit von Clustern sowie die wahre Anzahl der Cluster in synthetischen und realen Datensätzen zu bestimmen.

Adil M. Bagirov, Ramiz M. Aliguliyev, Nargiz Sultanova, Sona TaheriThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Diese Arbeit entwickelt nichtparametrische Schranken für verschiedene Arten von Vakzinwirksamkeiten in randomisierten Studien, indem sie die starke Annahme fehlender unbeobachteter gemeinsamer Ursachen aufweicht und sowohl lineare Programmierung als auch Monotonie-basierte Methoden unter verschiedenen kausalen Strukturen anwendet.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Empirical Orlicz norms

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.

Fabian MiesThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Die Arbeit stellt Augmented Time Series Causal Models (ATSCM) vor, ein Framework, das neuronale kausale Entdeckung mit Gegenfaktischen Schlussfolgerungen kombiniert, um die komplexen, zeitlich variierenden kausalen Zusammenhänge in Energiemärkten zu modellieren und Szenarioanalysen für Strompreise zu ermöglichen.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

Die vorgestellte Arbeit führt das TNCM-VAE-Modell ein, das Variational Autoencoder mit strukturellen Kausalmodellen kombiniert, um synthetische Finanzzeitreihen zu generieren, die sowohl zeitliche Abhängigkeiten als auch kausale Zusammenhänge bewahren und somit verlässliche Gegenfakten für Risikoanalysen und Stresstests ermöglichen.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Die Arbeit zeigt, dass die Erweiterung von kausalen Normalformspielen auf sequenzielle Szenarien trotz theoretischer Eleganz und PSPACE-Vollständigkeit in der Praxis keine Wohlfahrtsverbesserung gegenüber klassischen Stackelberg-Gleichgewichten bietet, da rationale Rückwärtsinduktion kausale Vorteile eliminiert und somit neue theoretische Rahmenwerke jenseits des Nash-Gleichgewichts für KI-Agenten erforderlich macht.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Diese Arbeit stellt ein neues signiertes Block- $\beta$ -Modell vor, das sowohl starke als auch schwache Balance in heterogenen Netzwerken modelliert, und beweist dessen Identifizierbarkeit sowie asymptotische Konsistenz für die Gemeinschaftserkennung, was durch numerische Experimente und eine Anwendung auf internationale Beziehungsnetzwerke untermauert wird.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

The Bayesian Geometry of Transformer Attention

Die Studie zeigt, dass Transformer-Modelle in kontrollierten „Bayesian Wind Tunnels" durch eine spezifische geometrische Mechanik, bei der Attention-Module als Routing und Feed-Forward-Netze als Posterior-Updates fungieren, exakte Bayes'sche Inferenz durchführen, was ihre Überlegenheit gegenüber flachen Architekturen erklärt.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Gradient Dynamics of Attention: How Cross-Entropy Sculpts Bayesian Manifolds

Diese Arbeit zeigt, dass die Gradientendynamik des Cross-Entropy-Trainings in Transformer-Aufmerksamkeitsköpfen durch einen gekoppelten Spezialisationsmechanismus, der einem Zwei-Zeitskalen-EM-Verfahren ähnelt, die interne Geometrie so formt, dass Bayessche Inferenzmanifolde entstehen, welche probabilisches Schlussfolgern im Kontext ermöglichen.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs

Die Autoren stellen eine neue Methode vor, die auf stochastischen Interpolanten und Langevin-Samplern basiert, um effizient aus unnormalisierten Boltzmann-Verteilungen zu sampeln und dabei sowohl die Geschwindigkeitsfelder der zugehörigen ODEs zu schätzen als auch Konvergenzgarantien für multimodale Verteilungen und Bayes'sche Inferenz aufzuzeigen.

Chenguang Duan, Yuling Jiao, Gabriele Steidl, Christian Wald, Jerry Zhijian Yang, Ruizhe ZhangThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Diese Arbeit entwickelt und analysiert Schätzer für die funktionale lineare Regression, die auf der Transfer-Learning-Methode der Kontrollvariablen basieren, um datenschutzkonforme Lernprozesse zu ermöglichen, die theoretische Verbindung zu Offset-Transfer-Learning herzustellen und die Konvergenzraten unter Berücksichtigung von Diskretisierungsfehlern zu bestimmen.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Error Analysis of Bayesian Inverse Problems with Generative Priors

Diese Arbeit analysiert Bayesianische Inverse Probleme mit generativen Priors, indem sie quantitative Fehlerabschätzungen für den Posterior herleitet, die sich aus der Approximationsgüte des Priors im Wasserstein-Abstand ableiten lassen, und diese Ergebnisse durch numerische Experimente sowie ein inverses Problem mit elliptischer PDE validiert.

Bamdad Hosseini, Ziqi HuangThu, 12 Ma📊 stat

Time series forecasting with Hahn Kolmogorov-Arnold networks

Das Paper stellt HaKAN vor, ein leichtgewichtiges und interpretierbares Modell für die multivariate Zeitreihenvorhersage, das auf Kolmogorov-Arnold-Netzwerken mit Hahn-Polynomen als lernbaren Aktivierungsfunktionen basiert und in Experimenten neuartige State-of-the-Art-Methoden übertrifft.

Md Zahidul Hasan, A. Ben Hamza, Nizar BouguilaThu, 12 Ma📊 stat

Singular Bayesian Neural Networks

Die Arbeit stellt singuläre Bayes'sche neuronale Netze vor, die durch eine Low-Rank-Parametrisierung der Gewichte die Parameteranzahl drastisch reduzieren, gleichzeitig strukturierte Korrelationen erfassen und in Bezug auf Vorhersagegenauigkeit, Kalibrierung und Out-of-Distribution-Erkennung mit Deep Ensembles konkurrieren.

Mame Diarra Toure, David A. StephensThu, 12 Ma📊 stat

Emergence of Distortions in High-Dimensional Guided Diffusion Models

Diese Arbeit analysiert die durch Classifier-free Guidance verursachten Verzerrungen in hochdimensionalen Diffusionsmodellen als Phasenübergang und schlägt einen theoretisch fundierten Guidance-Verlauf mit einem Fenster negativer Guidance vor, um den Diversitätsverlust zu mindern.

Enrico Ventura, Beatrice Achilli, Luca Ambrogioni, Carlo LucibelloThu, 12 Ma📊 stat

Universality of General Spiked Tensor Models

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.

Yanjin Xiang, Zhihua ZhangThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Diese Arbeit stellt ein einheitliches Framework für die Online-Erkennung von LLM-Wasserzeichen auf Basis von E-Prozessen vor, das beliebige sequentielle Tests mit unabhängigen Pivot-Statistiken ermöglicht, anytime-valid Garantien bietet und durch empirisch adaptive Methoden eine verbesserte Detektionsleistung erreicht.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

SEED-SET: Scalable Evolving Experimental Design for System-level Ethical Testing

Die Arbeit stellt SEED-SET vor, ein skalierbares, bayesisches Framework für experimentelles Design, das durch die Kombination objektiver Bewertungen und subjektiver Stakeholder-Wertvorstellungen mittels hierarchischer Gauß-Prozesse die ethische Testung autonomer Systeme effizient und interpretierbar optimiert.

Anjali Parashar, Yingke Li, Eric Yang Yu, Fei Chen, James Neidhoefer, Devesh Upadhyay, Chuchu FanThu, 12 Ma📊 stat

← Zurück Weiter →