154 artículos
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 desarrolla una fórmula de expansión asintótica para la probabilidad de cobertura del bootstrap en dimensiones altas, demostrando que el bootstrap salvaje de ajuste de tercer momento y el bootstrap salvaje doble logran una precisión de segundo orden bajo ciertas condiciones de estructura de covarianza y la existencia de núcleos de Stein, lo que explica teóricamente su superioridad sobre la aproximación normal.
Este artículo investiga la estabilidad distribucional de un estimador disperso de la matriz de precisión, derivando un límite explícito de Lipschitz local para la distancia entre las distribuciones del estimador bajo datos reales y contaminados, medido mediante la métrica de Kantorovich, y presenta resultados análogos, aplicaciones y experimentos numéricos.
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 estimadores GMM y M junto con sus propiedades asintóticas para datos dependientes de redes, estableciendo su consistencia y normalidad asintótica mediante una nueva ley uniforme de grandes números y proporcionando procedimientos completos para la estimación y la inferencia.
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 desarrolla un marco de análisis no estándar para estimar riesgos coherentes mediante representaciones hiperfinitas, fórmulas discretas de Kusuoka y resultados de consistencia y normalidad asintótica para estimadores de tipo plug-in, estableciendo una conexión transparente entre la teoría de la probabilidad y la estadística.
Este artículo propone un nuevo procedimiento de aleatorización adaptativa a covariables que equilibra las covariables especificadas entre tratamientos sin inflar la varianza de las covariables no especificadas, garantizando así la validez de las pruebas estadísticas y evitando el "problema de desplazamiento" identificado en estudios previos.
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.
Este trabajo propone un modelo escalable de procesos gaussianos multitarea con covariables funcionales que, mediante una estructura de núcleo separable y la explotación de la estructura de Kronecker, permite cuantificar la incertidumbre de manera eficiente en sistemas mecánicos complejos, superando a los enfoques de tarea única con menos muestras y menor costo computacional.
Este artículo desarrolla un marco termodinámico para la inferencia asintótica que identifica la información de Shannon con la entropía, establece leyes análogas a las de la termodinámica para la estimación de parámetros y revela que la física de conjuntos y la física inferencial son procesos duales evolucionando en direcciones opuestas dentro de una descripción unificada.
Este artículo establece tasas de convergencia minimax óptimas para un procedimiento de clasificación binario basado en trayectorias de EDEs con coeficientes dependientes del espacio bajo condiciones de bajo ruido, demostrando una tasa más rápida en espacios de Hölder mediante una desigualdad exponencial y analizando la cota inferior del riesgo excedente.
El artículo presenta RACER, un método de enrutamiento de modelos de lenguaje grande que aborda el problema de la selección de modelos como un problema de riesgo controlado, generando conjuntos anidados de modelos calibrados para minimizar el error de enrutamiento y mejorar la precisión sin depender de supuestos distribucionales.
El artículo propone un nuevo estimador de la divergencia de Kullback-Leibler basado en la entropía de Shannon y vecinos más cercanos, que se utiliza para desarrollar una prueba de bondad de ajuste para distribuciones multivariadas que demuestra un control preciso del error tipo I y una potencia superior a los métodos convencionales, especialmente en dimensiones medias y altas.
Este artículo presenta un marco de aprendizaje por refuerzo (multi-armed bandit) para experimentos adaptativos que buscan demostrar que al menos una intervención tiene un efecto positivo en alguna subpoblación, desarrollando procedimientos de inferencia válidos en cualquier momento y un algoritmo de asignación adaptativa con límite de arrepentimiento logarítmico.
Este trabajo propone un nuevo enfoque de regresión Fréchet para respuestas de distribuciones multivariadas basado en la familia semiparamétrica no paranoormal y la métrica de transporte no paranoormal, la cual descompone el problema en regresiones marginales y de dependencia para lograr una estimación eficiente, interpretaciones granulares y garantías de convergencia que mitigan la maldición de la dimensionalidad.