207 artículos
El documento presenta AgroDesign, un marco de inferencia estadística en Python que integra el diseño experimental como especificación central para automatizar la construcción de modelos lineales, la identificación de estratos de error y la interpretación de resultados en ensayos agrícolas, garantizando así la consistencia y reproducibilidad de los análisis.
Este artículo propone un marco integrado de aprendizaje activo adaptativo que combina un modelo de degradación basado en procesos de Wiener con un esquema de muestreo en dos etapas para mejorar la precisión de las predicciones de fiabilidad en línea de la electrónica de satélites, reduciendo simultáneamente los requisitos de datos.
Este artículo presenta el MM-test, un método libre de distribución que combina una nueva estadística de razón de cuasi-verosimilitud con un procedimiento de knockoff para identificar genes espacialmente variables en datos de transcriptómica espacial 2D y 3D, superando a los métodos existentes en rendimiento y ofreciendo garantías teóricas de control de la tasa de falsos descubrimientos.
Este trabajo propone un marco de inferencia bayesiana totalmente automatizado para modelos no normalizados que evita la evaluación de la constante de normalización al reformular el problema como clasificación binaria mediante estimación de contraste de ruido, permitiendo así una estimación precisa y cuantificación de incertidumbre sin necesidad de ajuste manual.
Este artículo propone un marco unificado para la detección de anomalías basado en los valores de sorpresa (surprisals) y sus distribuciones de cola, ofreciendo estimadores empíricos y de valores extremos que permiten identificar anomalías en datos complejos incluso bajo una especificación de modelo incorrecta.
Este artículo presenta un marco unificado para la factorización de matrices no negativas tradicional y convexa bajo modelos de Tweedie y Binomial Negativa, derivando reglas de actualización multiplicativa mediante algoritmos MM y demostrando mediante evaluaciones empíricas que la elección del modelo de ruido y el enfoque convexo mejoran significativamente el ajuste y la recuperación de características en datos complejos.
Este artículo presenta un marco jerárquico novedoso de aprendizaje multi-tarea y multi-fidelidad basado en procesos gaussianos que unifica la similitud entre tareas y las características de los datos de diferentes fidelidades para mejorar la precisión y la eficiencia en el modelado sustituto de sistemas de fabricación.
Este artículo propone un diseño de enriquecimiento adaptativo bayesiano que utiliza datos históricos agregados para informar recomendaciones de tratamiento individualizadas, demostrando mediante simulaciones y un caso de estudio en apnea del sueño mejoras en la potencia estadística y la eficiencia del tamaño muestral en comparación con diseños que no incorporan información externa.
Este artículo demuestra que es posible alcanzar tasas de convergencia minimax para funcionales doblemente robustos en todas las clases de suavidad de Hölder mediante la combinación estratégica de técnicas de división de muestras y ajustes de los parámetros de suavizado de las funciones de nuisance, superando así las limitaciones de la literatura existente.
Este artículo propone y analiza dos algoritmos de muestreo por rebanadas geodésicas para distribuciones en la esfera, demostrando teóricamente su ergodicidad uniforme y mostrando experimentalmente que superan a métodos estándar como el Metropolis-Hastings y el Hamiltoniano en problemas desafiantes de datos direccionales.
Este artículo presenta un marco semiparamétrico estructurado basado en redes neuronales y aprendizaje automático doble que corrige el sesgo en la estimación de efectos de tratamiento causado por la interferencia algorítmica en mercados de dos lados, demostrando mediante simulaciones y experimentos de campo que supera a los estimadores estándar al predecir con precisión el efecto global de la implementación de algoritmos en plataformas de contenido.
Los autores proponen un marco unificado de aprendizaje por transferencia para el agrupamiento, denominado ATC, que optimiza automáticamente el aprovechamiento de la información común entre conjuntos de datos principales y auxiliares a pesar de discrepancias desconocidas, demostrando su optimalidad teórica y eficacia práctica en diversos modelos estadísticos.
Este artículo presenta DR-FoS, un nuevo método de doble robustez para estimar el efecto promedio del tratamiento funcional (FATE) en estudios observacionales con datos funcionales, garantizando inferencias válidas mediante bandas de confianza simultáneas y demostrando su eficacia tanto en simulaciones como en un análisis real con datos del estudio SHARE.
Este artículo presenta un nuevo algoritmo de complejidad lineal que permite calcular de manera eficiente una curva completa de cotas post hoc para la proporción de descubrimientos falsos a lo largo de una secuencia de conjuntos de hipótesis crecientes, aprovechando una estructura de bosque en la familia de referencia para reducir la complejidad computacional de a .
Este artículo presenta StablePCA, un marco de aprendizaje robusto distribucional que extrae representaciones latentes estables de datos multi-fuente mediante la maximización de la varianza explicada en el peor caso, abordando la no convexidad del problema original a través de una relajación convexa resuelta con un algoritmo Mirror-Prox y validada mediante un certificado dependiente de los datos.
Este artículo presenta el estimador de completado de tensores de Poisson (PTC), un método que aprovecha las relaciones entre muestras para descomponer histogramas de frecuencias en tensores de rango bajo, permitiendo una estimación precisa de distribuciones multivariadas sub-Gaussianas sin restricciones de no negatividad y superando a los estimadores de histograma tradicionales.
Este artículo presenta el coeficiente de correlación de divergencia (c-delta), una medida estadística personalizada que cuantifica la similitud entre los patrones de divergencia interna de dos grupos, ofreciendo una nueva perspectiva para analizar la estructura de la variabilidad en campos como la física cuántica, la genética y la inteligencia artificial.
Este artículo presenta Sigmoid-FTRL, un diseño experimental adaptativo que aborda la no convexidad en la asignación óptima de Neyman para estimadores AIPW mediante la minimización simultánea de dos arrepentimientos convexos, logrando la tasa minimax óptima de y permitiendo la construcción de intervalos de confianza válidos asintóticamente.
Este artículo propone un marco para la certificación operativa de predictores conformales que, más allá de garantizar la cobertura marginal, utiliza correcciones de muestra pequeña y conjuntos de auditoría independientes para cuantificar y gestionar las compensaciones finitas entre la frecuencia de compromiso, las deferencias y la exposición al error en despliegues reales.
Este artículo formaliza la dependencia del estimador de desviación estándar en gráficos MR respecto al orden de los datos mediante una descomposición de la varianza total bajo permutaciones aleatorias, revelando que la pérdida de eficiencia asintótica frente al estimador basado en la desviación estándar muestral se debe casi en su totalidad al componente de adyacencia.