161 artículos
Este artículo propone dos criterios robustos y un algoritmo de diferencia de convexos para aprender reglas de tratamiento óptimas en datos de supervivencia censurados, enfocándose en maximizar el tiempo de supervivencia truncado y las probabilidades de supervivencia bufferizadas, con validación teórica y empírica que demuestra un rendimiento superior frente a métodos existentes.
Este artículo establece fundamentos teóricos rigurosos para la aproximación Vecchia de los Procesos Gaussianos, demostrando que la selección de conjuntos de padres como conjuntos de normalización garantiza la contracción óptima del posterior en regresión no paramétrica y caracterizando sus propiedades probabilísticas y estadísticas mediante interpolaciones polinómicas.
Este artículo demuestra teóricamente que la existencia de un pivote es crucial para lograr un error de cobertura de orden en los intervalos de predicción óptimos empíricos para áreas pequeñas, proponiendo un método de doble bootstrap paramétrico para corregir la sobre-cobertura que ocurre cuando dicho pivote no existe.
Este artículo propone dos algoritmos basados en datos para estimar políticas óptimas de precios e inventario en un entorno secuencial con demanda censurada y dependiente, abordando los desafíos de la pérdida de información y la no estacionariedad mediante aproximaciones de procesos de decisión de Markov de alto orden y análisis de supervivencia.
El artículo define la norma de Orlicz empírica como estimador de la norma poblacional, establece una ley de los grandes números bajo supuestos mínimos, proporciona condiciones para un teorema del límite central y descubre que, para variables normales, la convergencia es no estándar con una tasa de hacia una distribución límite estable, demostrando además que no existe una tasa de convergencia uniforme general para dicha clase de distribuciones.
Este artículo demuestra que, en el régimen de alta dimensión, el comportamiento espectral y los límites estadísticos de los modelos de tensores espigados asimétricos de rango uno son universales, es decir, coinciden con los del caso gaussiano incluso cuando el ruido tiene una distribución general con momento cuarto finito.
Este artículo caracteriza la frontera crítica donde la privacidad diferencial en el modelo de barajado (shuffle) deja de converger a un límite gaussiano para dar lugar a límites no gaussianos explícitos de tipo Poisson, Skellam y compuesto-Poisson, completando así una visión de tres regímenes que abarca desde la privacidad fuerte hasta la ausencia total de privacidad.
Este artículo propone un método de aprendizaje de diccionarios no supervisado para la agrupación de imágenes hiperespectrales que utiliza barycentros de Wasserstein desequilibrados para aprender una representación de baja dimensión, superando así las limitaciones de los enfoques anteriores al evitar el desequilibrio de los perfiles espectrales y mejorar la robustez frente a ruido y valores atípicos.
Este artículo estudia una aproximación por difusión de tiempo continuo del gradiente de política para banditos estocásticos, demostrando que con una tasa de aprendizaje adecuada se logra un arrepentimiento logarítmico, mientras que se construye un caso donde una tasa inadecuada conduce a un arrepentimiento lineal.
Este artículo propone un nuevo marco ARCH a nivel de operador para datos en espacios de Hilbert que modela la evolución completa del operador de covarianza condicional, estableciendo condiciones de estacionariedad, derivando estimadores consistentes y validando su utilidad mediante simulaciones y una aplicación a retornos intradía de alta frecuencia.
Este artículo desmiente la validez general de un criterio habitual para estadísticos suficientes mínimos mediante contraejemplos, propone un criterio robusto frente a la elección de versiones de derivadas de Radon-Nikodym que extiende métodos previos a espacios analíticos, y demuestra que otro criterio de Pfanzagl también requiere suposiciones adicionales.
Este artículo presenta un estimador de pérdida mínima dirigido asistido por sustitutos que aborda la estimación semiparamétrica de efectos causales con resultados primarios retardados y censura administrativa, ofreciendo un enfoque doblemente robusto y estable que evita la inestabilidad de los pesos de probabilidad inversa mediante una representación de puente de sustitutos.
Este artículo establece una aproximación gaussiana fuerte para estadísticas U no degeneradas de alta dimensión con dimensiones divergentes, proporcionando un fundamento teórico unificado para la inferencia estadística bajo distribuciones de colas pesadas y permitiendo aplicaciones como la detección de cambios y pruebas auto-normalizadas.
El artículo presenta Scorio, una biblioteca de código abierto que formaliza y evalúa métodos estadísticos para clasificar modelos de lenguaje de razonamiento bajo escalado de tiempo de prueba, demostrando que ciertas técnicas logran concordancia casi perfecta con un estándar de referencia bayesiano tanto en regímenes de múltiples intentos como de intento único.
El artículo presenta ForwardFlow, un enfoque de inferencia estadística basado únicamente en simulaciones que utiliza una red neuronal profunda con estructura ramificada para resolver el problema inverso de estimación de parámetros, demostrando propiedades deseables como exactitud en muestras finitas, robustez ante contaminación de datos y la capacidad de aproximar algoritmos complejos como el EM.
Este artículo investiga la construcción de funciones positivas definidas para el umbralizado de matrices de correlación que preserven su validez, demostrando que cualquier operador de umbralizado suave que mantenga la semidefinición positiva induce un colapso geométrico del espacio de características que limita la recuperación de la señal.
Este artículo proporciona caracterizaciones axiomáticas de los estimadores generalizados y de los estimadores usuales (también conocidos como estimadores ), basándose en las propiedades de simetría, internidad (fuerte) e idempotencia asintótica, y utilizando un teorema de separación para subsemigrupos abelianos en sus demostraciones.
Este libro presenta una guía pedagógica unificada sobre las bases teóricas de la predicción conforme y técnicas de inferencia sin distribución, reuniendo y demostrando resultados clave dispersos en la literatura para ofrecer garantías de incertidumbre finitas en sistemas de aprendizaje automático sin asumir distribuciones de datos específicas.
Este artículo demuestra que, en el contexto de observaciones discretas de un movimiento browniano oscilante con criticidad autoorganizada, el estimador de máxima verosimilitud es -consistente y converge estocásticamente a una distribución Poissoniana estable, a pesar de la discontinuidad de la densidad de transición y de la compleja estructura de la función de verosimilitud.
Este artículo propone un nuevo test omnibus de bondad de ajuste para distribuciones continuas univariadas basado en momentos trigonométricos que, al aprovechar la estructura de covarianza de los estadísticos, garantiza una distribución asintótica bajo la hipótesis nula incluso con parámetros de molestia, ofreciendo un procedimiento preciso y de fácil implementación para 11 familias de distribuciones.