252 artículos
Este artículo estudia las distribuciones cortadas desde una perspectiva asintótica, demostrando un teorema de Bernstein-von Mises y proponiendo un algoritmo basado en el Posterior Bootstrap que ofrece regiones creíbles con cobertura asintótica frecuentista nominal, todo ello ilustrado mediante experimentos numéricos en diversos ejemplos, incluida la inferencia causal.
Este artículo presenta un marco teórico y un algoritmo numérico para resolver el problema inverso continuo de ecuaciones diferenciales rugosas, permitiendo construir un camino rugoso a partir de una trayectoria observada mediante la resolución de problemas inversos discretos que convergen en la topología de variación .
Este artículo propone un método de ramificación y acotación disyuntiva junto con nuevas relajaciones convexas para resolver el problema de completado de matrices de bajo rango hasta la optimalidad certificada, logrando una reducción significativa en el error de prueba en comparación con los métodos heurísticos existentes.
Este artículo propone un marco de agregación basado en transporte óptimo para combinar modelos de Mezcla de Expertos (MoE) distribuidos en un estimador global coherente, logrando un rendimiento comparable al entrenamiento centralizado con un único paso de comunicación y menores costos computacionales.
Este artículo propone y evalúa dos enfoques no paramétricos para estimar la distribución de la entrada a un estado y las probabilidades de ocupación en modelos multieestado con datos de estado actual, abordando la complejidad de la censura por intervalos mediante la aplicación de conceptos de riesgos competitivos y validando su rendimiento mediante simulaciones y un estudio de caso con pacientes de cáncer de mama.
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 presenta tres métodos de estimación paramétrica de múltiples fidelidades para ajustar modelos a datos de alta fidelidad utilizando información complementaria de baja fidelidad, con un enfoque especial en el análisis de valores extremos y su aplicación a la cuantificación de movimientos extremos de barcos.
El artículo propone una teoría de memorización geométrica que demuestra cómo los modelos de difusión experimentan un colapso suave en su capacidad de variación a medida que los datos escasean, condensándose gradualmente en configuraciones de baja energía que replican ejemplos específicos antes de alcanzar una copia exacta.
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.
El artículo presenta CLIQUE, un nuevo método agnóstico al modelo para calcular la importancia local de variables que captura relaciones dependientes y comportamientos de interacción en problemas de clasificación multiclase, superando las limitaciones de técnicas populares como LIME y SHAP.
Este artículo propone un marco de calibración que vincula formalmente las características estadísticas de los ensayos clínicos con el desequilibrio de la equipoise clínica, demostrando que los diseños estándar de fase avanzada proporcionan una evidencia robusta de dicho desequilibrio cuando se observan resultados positivos consistentes.
Este artículo propone un modelo estadístico general para comparaciones por pares que elimina la suposición de transitividad estocástica, utilizando una matriz antisimétrica de baja dimensión para lograr un rendimiento predictivo superior y óptimo en escenarios complejos con datos dispersos.
Este estudio propone un algoritmo que ajusta la clasificación de máquinas de vectores de soporte (SVM) en espacios no euclidianos incorporando la covarianza de los datos mediante descomposición de Cholesky, demostrando que este enfoque supera el rendimiento de los métodos SVM tradicionales al reconocer que las condiciones de optimalidad de KKT y el principio de margen máximo son subóptimos fuera de los espacios euclidianos.
El artículo presenta NETCROP, un procedimiento de validación cruzada eficiente y preciso que divide las redes en subredes superpuestas para facilitar la selección de modelos y el ajuste de parámetros en redes complejas de gran escala.
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.
Este artículo propone un algoritmo adaptativo que equilibra óptimamente la estimación de estadísticas de oráculo y la construcción de un estimador multifidelidad para reducir los costos computacionales, demostrando teórica y numéricamente que logra un error cuadrático medio comparable al de la asignación óptima ideal.
Este artículo propone un marco de inferencia causal para la metaanálisis que supera las limitaciones de los modelos tradicionales al ofrecer estimaciones de efectos causales interpretables para políticas públicas, introduciendo nuevas fórmulas de agregación que revelan discrepancias críticas, como tratamientos que parecen beneficiosos pero resultan dañinos bajo una perspectiva causal.
Este artículo propone un marco sistemático para desarrollar variables de adaptación basadas en evidencia causal, destacando que aunque los datos observacionales secundarios pueden utilizarse, los ensayos aleatorizados diseñados específicamente para la optimización ofrecen la evidencia más directa para determinar qué medir, cuándo y con qué umbrales en las intervenciones adaptativas.
Este artículo propone un nuevo método para la comparación de dos muestras mediante modelos de árboles aditivos que estiman la razón de densidades utilizando una función de pérdida de balanceo, lo que permite tanto un entrenamiento eficiente mediante algoritmos de aprendizaje supervisado como una inferencia bayesiana para cuantificar la incertidumbre, demostrando su eficacia en datos de microbioma.