259 Arbeiten
Die Arbeit zeigt, dass sich das A-Kriterium in einen inversen D-Skalierungsterm und einen dimensionslosen Sphärizitätsfaktor zerlegen lässt, was erklärt, warum D-optimale Designs trotz ähnlicher Determinanten in ihrer Varianzleistung erheblich voneinander abweichen können, und nutzt diese Erkenntnis zur Verbesserung von Screening- und Raumfüllungsdesigns.
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.
Die Studie stellt eine neuartige, trajectorienbasierte Graph-Clustering-Methode vor, die longitudinale klinische Daten und Bildgebungsmerkmale integriert, um bei Lebermetastasen dynamische Krebs-Subtypen mit unterschiedlichen Prognoseverläufen zu identifizieren und so die personalisierte Onkologie zu verbessern.
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 stellt einen multivariaten pseudo-empirischen besten linearen unverzerrten Prädiktor vor, der unter einem MNER-Modell Stichprobengewichte berücksichtigt, um verzerrungsfreie Schätzungen für abhängige Zielvariablen in kleinen Bereichen zu ermöglichen, und ergänzt dies durch Bootstrap-Verfahren zur Schätzung des mittleren quadratischen Fehlers.
Die Studie stellt zwei neue g-Komputationsalgorithmen vor, die Zeit-abhängige Confounding und halb-konkurrierende Ereignisse (wie Tod und Hypertonie) gleichzeitig adressieren, und zeigt in Simulationen sowie einer Anwendung auf die NLAHS-Daten, dass diese Methode verzerrungsfrei ist und eine Reduktion von Hypertonie und Sterblichkeit bei vollständiger Verhinderung des Rauchens im jungen und mittleren Erwachsenenalter vorhersagt.
Diese Arbeit entwickelt eine systematische Stabilitätstheorie für Banditalgorithmen auf Basis des stochastischen spiegelnden Abstiegs, führt regularisierte EXP3-Varianten ein, die sowohl für gültige statistische Inferenz als auch für minimax-optimales Lernen sorgen, und zeigt deren Robustheit gegenüber adversarischen Korruptionen.
Diese Arbeit entwickelt eine allgemeine Theorie für das outcome-weighted learning zur Bestimmung individueller Behandlungsregeln, die eine breite Klasse von Surrogatverlusten und Matern-Kerneln umfasst, um Konvergenzraten zu etablieren und die Leistung in Simulationen sowie bei der Anwendung auf die ACTG 175-Studie nachzuweisen.
Die Studie stellt BSync vor, ein bayesisches Synchronisationsframework, das durch die Inferenz einer monotonen Zeitabbildung mit interpretierbaren lokalen Ratenparametern und Prior-Verteilungen nicht nur präzisere Ausrichtungen von Proxy-Paläorekorddaten ermöglicht, sondern auch eine robuste Quantifizierung der Unsicherheiten im Vergleich zu bestehenden optimierungsbasierten Methoden bietet.
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.
Die Arbeit zeigt, dass die abhängige Randverteilung in bayesschen hierarchischen Modellen, bei denen die bedingte Prior-Verteilung eine kanonische Maximum-Entropie-Verteilung ist, ebenfalls eine Maximum-Entropie-Eigenschaft bezüglich einer anderen Randverteilungsbedingung aufweist, was die impliziten Annahmen solcher Modelle verdeutlicht.
Die vorgestellte Arbeit stellt MultiwayPAM vor, eine neue Tensor-Clustering-Methode, die durch die gleichzeitige Schätzung von Clusterzugehörigkeiten und Medoiden für Fragen, Antwortende und Bewerter hilft, die Rechenkosten und die inhärente Verzerrung bei der Bewertung von Texten durch LLMs zu adressieren und die Struktur dieser Bias aufzudecken.
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 Arbeit zeigt, dass eine Klasse optimierter e-Wert-Kombinationen auch dann gültig bleibt, wenn der Tuning-Parameter datenbasiert gewählt wird, und führt zudem einen verbesserten Kombinationstest auf Basis elementarer symmetrischer Polynome für unabhängige und simultane e-Variablen ein.
Die Arbeit untersucht das Problem der Identifizierung des besten Arms in nicht-stationären linearen Banditen mit festem Budget, indem sie eine arm-mengenabhängige untere Schranke für die Fehlerwahrscheinlichkeit herleitet und den zugehörigen -Algorithmus vorschlägt, der diese Schranke bis auf Konstanten erreicht.
Die vorgestellte Studie entwickelt eine Methode zur robusten Aktualisierung von Risikovorhersagemodellen, indem sie externe Ranking-Informationen anstelle direkter Risikoscores nutzt, um die Übertragbarkeit zwischen unterschiedlichen Studienpopulationen zu verbessern und gleichzeitig die Vorhersagegenauigkeit zu steigern.
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.
Die Arbeit stellt Weighted improved Greedy Sampling (WiGS) vor, eine Methode, die das statische Multiplikationsprinzip des Improved Greedy Sampling durch ein dynamisches, auf Reinforcement Learning basierendes additives Kriterium ersetzt, um die Balance zwischen Exploration und Investigation anzupassen und so die Genauigkeit sowie die Effizienz bei der Kennzeichnung von Daten in Regressionen zu verbessern.
Der Artikel stellt die „Brenier-Isotone Regression" vor, eine Erweiterung der klassischen isotonen Regression auf multivariate Ausgaben durch die Nutzung zyklischer Monotonie und optimaler Transporttheorie, die sich in Anwendungen wie der Wahrscheinlichkeitskalibrierung als überlegen erweist.
Diese Arbeit beweist die Konvergenz von dualraumvorkonditioniertem Gradientenabstieg auf eine interpolierende Lösung im überparametrisierten Regime und analysiert dessen implizite Verzerrung, wobei gezeigt wird, dass isotrope Vorkonditionierer die gleiche Lösung wie der Standard-Gradientenabstieg liefern.