260 artículos
Este trabajo demuestra que una arquitectura de red neuronal tridimensional con activaciones ReLU aumentadas por altura permite aproximar funciones analíticas y con tasas exponenciales mejoradas y de manera no asintótica, superando limitaciones fundamentales en la teoría de aproximación y ofreciendo diseños de redes más eficientes en parámetros.
Este artículo extiende la predicción e-conformal para abordar casos de confusión observada entre la variable aleatoria y su etiqueta, considerando tanto escenarios de datos independientes e idénticamente distribuidos como aquellos que permiten cierta dependencia entre las observaciones.
Este artículo propone y analiza estimadores de redes neuronales profundas basados en el principio de mínima entropía de error para regresión no paramétrica con observaciones dependientes, demostrando que alcanzan la tasa óptima minimax de convergencia.
Este artículo presenta "mapas de transporte diagnósticos", un método que recalibra distribuciones predictivas iniciales mediante mapas dependientes de covariables para corregir errores locales y mejorar la fiabilidad en la cuantificación de incertidumbre de eventos raros, demostrando su eficacia en la predicción de la intensidad de ciclones tropicales.
Este manuscrito explora la configuración, el alcance y el valor estratégico de los grupos dedicados a la metodología estadística en la industria farmacéutica, destacando los factores organizacionales clave necesarios para maximizar su impacto en la eficiencia, la velocidad y la probabilidad de éxito del desarrollo de medicamentos.
Este artículo propone un modelo estocástico en tiempo continuo y un método de bootstrap para estimar la distribución predictiva de las reservas de siniestros bajo el enfoque de Schnieper, garantizando la asimetría, la no negatividad y el respeto de los límites intrínsecos sin necesidad de supuestos adicionales.
Este artículo presenta un marco de optimización unificado que permite aplicar pruebas de hipótesis estadísticamente válidas a datos recolectados mediante algoritmos de banditos multi-brazo, resolviendo el problema de los errores de tipo I y II bajo muestreo adaptativo y ofreciendo una metodología para equilibrar la recompensa acumulada con la eficiencia estadística según el costo de extensión experimental.
El artículo presenta RIE-Greedy, una estrategia de selección de acciones sin exploración explícita que aprovecha la estocasticidad inherente al proceso de ajuste de modelos regularizados para inducir una exploración efectiva, demostrando equivalencia teórica con el Muestreo de Thompson en casos de dos brazos y un rendimiento superior en entornos empresariales a gran escala.
El artículo presenta el estimador "outrigger" de regresión polinómica local, un método adaptativo a la distribución de los errores que mejora la eficiencia frente a los estimadores estándar en escenarios no gaussianos, garantiza la optimalidad minimax bajo condiciones de suavidad y no requiere supuestos estructurales sobre la independencia o simetría de los errores.
Este trabajo presenta un marco unificado llamado wcPCA para aproximaciones de rango bajo que optimiza el rendimiento en el peor caso a través de dominios heterogéneos, demostrando optimalidad teórica y mejoras empíricas en aplicaciones de mundo real frente a métodos tradicionales como el PCA estándar.
Este estudio demuestra que las decisiones de aprobación basadas en umbrales fijos de capacidad de proceso (como ) presentan una inestabilidad inherente y un riesgo de error del 50% cuando el valor real se encuentra cerca del umbral, debido a la variabilidad estocástica de las estimaciones derivadas de tamaños de muestra moderados.
Este artículo propone un método de Análisis de Componentes Principales Funcionales Multivariados para datos mixtos (FPCA), basado en un modelo de cópula gaussiana semiparamétrico, que permite identificar patrones temporales compartidos en datos de salud móvil de diversos tipos para estratificar subtipos de trastornos del estado de ánimo.
Este artículo propone un nuevo marco de aprendizaje por transferencia para el análisis de supervivencia que mejora las predicciones al transferir conocimiento predictivo en lugar de distribucional, eliminando la necesidad de acceder a datos individuales de origen y garantizando una convergencia más rápida que los métodos tradicionales cuando el conocimiento de origen es preciso.
Este artículo propone la síntesis de regresión cuantílica bayesiana dinámica (DRQS) y su extensión multivariada con factores (FDRQS), métodos que combinan información de múltiples modelos para mejorar la previsión de cuantiles económicos, demostrando una mayor resiliencia durante periodos de estrés extremo como la pandemia de COVID-19.
Este artículo propone un método secuencial para generar, enumerar y muestrear grafos bipartitos, dirigidos y no dirigidos con secuencias de grados prescritas, estableciendo condiciones de factibilidad global y demostrando una escalabilidad superior a métodos existentes en instancias grandes.
Este artículo propone un nuevo marco de modelado conjunto robusto basado en la divergencia de potencia de densidad y regularización para datos con respuestas continuas y binarias, el cual ofrece estimadores dispersos, resistentes a valores atípicos y etiquetas erróneas, junto con un algoritmo eficiente y un criterio de información para la selección de parámetros.
Este artículo propone un método de estimación simultánea de múltiples distribuciones discretas unimodales bajo restricciones de orden estocástico, formulado como un problema de optimización cuadrática convexa mixta-entera que demuestra una reducción significativa en la divergencia Jensen-Shannon en escenarios con muestras pequeñas.
Este artículo amplía el estudio de la distribución Unit Teissier al derivar nuevas propiedades teóricas, como momentos y caracterizaciones, evaluar y comparar múltiples métodos de estimación mediante simulaciones, y demostrar su utilidad práctica mediante un conjunto de datos real.
Este artículo introduce y valida un marco teórico que descompone la multiplicidad observacional en clasificadores de árboles de decisión en "arrepentimiento de hoja" y "arrepentimiento estructural", demostrando que la inestabilidad de la estructura del árbol es el principal factor de variabilidad y que estas métricas pueden utilizarse para mejorar la seguridad del modelo mediante la predicción selectiva.
Este artículo presenta un enfoque unificado que demuestra cómo las propiedades de independencia de los componentes en las estimaciones de varianza de la replicación balanceada (BRR) y el jackknife emparejado permiten derivar fórmulas prácticas para los grados de libertad efectivos, facilitando así la construcción de intervalos de confianza para totales poblacionales.