stat artículos | Gist.Science

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Este artículo propone los estimadores PLOT (Pairwise Last Observation Time), un enfoque novedoso y robusto que evalúa los efectos del tratamiento en ensayos longitudinales con eventos intercurrentes mediante la comparación de individuos emparejados en el último momento de observación previo al evento, eliminando así la necesidad de supuestos estructurales no verificables y ofreciendo una alternativa fiable frente a los métodos tradicionales.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Absolute indices for determining compactness, separability and number of clusters

Este artículo presenta nuevos índices absolutos de validez de clusters que permiten determinar la compacidad, la separabilidad y el número óptimo de clusters en un conjunto de datos, superando las limitaciones de los índices relativos tradicionales mediante su validación en diversos conjuntos de datos sintéticos y reales.

Adil M. Bagirov, Ramiz M. Aliguliyev, Nargiz Sultanova, Sona TaheriThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Este artículo relaja la suposición de ausencia de causas comunes no medidas en los ensayos de vacunas para derivar límites causales no paramétricos sobre la eficacia de la vacuna mediante métodos de programación lineal y monotonicidad, ilustrando su desempeño con datos sintéticos y semi-sintéticos.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Empirical Orlicz norms

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 $n^{1/4} \log(n)^{3/8}$ hacia una distribución límite estable, demostrando además que no existe una tasa de convergencia uniforme general para dicha clase de distribuciones.

Fabian MiesThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Este artículo presenta los Modelos Causales de Series Temporales Aumentados (ATSCM), un enfoque que integra la descubrimiento causal neuronal para modelar las relaciones causales dinámicas en los mercados energéticos y permitir el razonamiento contrafactual sobre escenarios de generación renovada sin depender de grafos causales predefinidos.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

El artículo presenta el TNCM-VAE, un modelo que combina autoencoders variacionales con modelos causales estructurales para generar series temporales financieras contrafactuales que preservan tanto las dependencias temporales como las relaciones causales, permitiendo así análisis de riesgo y pruebas de estrés más robustos.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Este artículo demuestra que, aunque la extensión de los juegos causales normales a entornos secuenciales es teóricamente elegante, no ofrece ninguna mejora en el bienestar social respecto al equilibrio de Stackelberg clásico bajo racionalidad, lo que sugiere la necesidad de nuevos marcos teóricos más allá del equilibrio de Nash para la inteligencia artificial agéntica.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Este artículo propone un modelo de bloques $\beta$ firmado que permite detectar comunidades y estimar probabilidades en redes con enlaces positivos y negativos, garantizando consistencia asintótica y validándose mediante experimentos numéricos y datos de relaciones internacionales.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Este trabajo introduce variantes de bosques aleatorios basadas en el principio de minimización del riesgo máximo (MaxRM) para mejorar la generalización fuera de distribución, ofreciendo algoritmos eficientes, demostrando consistencia estadística y garantizando resultados en distribuciones de prueba no vistas.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

The Bayesian Geometry of Transformer Attention

Este artículo demuestra que los transformadores pequeños, en entornos controlados denominados "túneles de viento bayesianos", realizan inferencia bayesiana con alta precisión mediante un mecanismo geométrico específico donde las corrientes residuales almacenan creencias y la atención gestiona el enrutamiento, superando así a las arquitecturas MLP y revelando la base geométrica del razonamiento en modelos grandes.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Gradient Dynamics of Attention: How Cross-Entropy Sculpts Bayesian Manifolds

Este artículo demuestra que el entrenamiento por entropía cruzada en los transformadores genera dinámicas de gradiente acopladas que esculpen manifiestos bayesianos de baja dimensión, unificando así la optimización, la geometría interna y el razonamiento probabilístico en contexto mediante un mecanismo de enrutamiento basado en ventajas y actualizaciones de valores ponderadas por responsabilidad.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs

Este artículo propone un método innovador para muestrear distribuciones de Boltzmann no normalizadas mediante ecuaciones diferenciales ordinarias de flujo, utilizando una secuencia de muestreadores de Langevin para generar muestras intermedias y estimar robustamente el campo de velocidades, lo que garantiza tasas de convergencia no asintóticas y demuestra alta eficiencia en distribuciones multimodales y tareas de inferencia bayesiana.

Chenguang Duan, Yuling Jiao, Gabriele Steidl, Christian Wald, Jerry Zhijian Yang, Ruizhe ZhangThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Este artículo propone un método de aprendizaje transferido para regresión lineal funcional basado en variables de control que, al utilizar únicamente estadísticas resumidas para preservar la privacidad, establece por primera vez una conexión teórica con el aprendizaje transferido de offset y demuestra su eficacia al considerar explícitamente el error de suavizado en datos discretos.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Error Analysis of Bayesian Inverse Problems with Generative Priors

Este artículo presenta un análisis de error con cotas cuantitativas para problemas inversos bayesianos que utilizan priores generativos entrenados con datos, demostrando que el error en la posterior hereda la tasa de convergencia del prior y validando estos resultados mediante experimentos numéricos en benchmarks y un problema inverso de EDP elíptica.

Bamdad Hosseini, Ziqi HuangThu, 12 Ma📊 stat

Time series forecasting with Hahn Kolmogorov-Arnold networks

El artículo presenta HaKAN, un modelo de pronóstico de series temporales multivariantes basado en redes Kolmogorov-Arnold con funciones de activación aprendibles de polinomios de Hahn, que supera a los métodos actuales al ofrecer una arquitectura ligera, interpretable y capaz de capturar patrones temporales globales y locales.

Md Zahidul Hasan, A. Ben Hamza, Nizar BouguilaThu, 12 Ma📊 stat

Singular Bayesian Neural Networks

El artículo propone redes neuronales bayesianas singularmente parametrizadas mediante descomposición de bajo rango que, al concentrarse en una variedad de rango $r$ , logran una reducción significativa de parámetros y mejores límites de generalización sin sacrificar el rendimiento predictivo ni la calibración en comparación con los enfoques tradicionales.

Mame Diarra Toure, David A. StephensThu, 12 Ma📊 stat

Emergence of Distortions in High-Dimensional Guided Diffusion Models

Este trabajo formaliza la pérdida de diversidad en modelos de difusión con guía libre de clasificadores como una distorsión generativa que surge de una transición de fase en regímenes de alta dimensión, y propone un nuevo esquema de programación con una ventana de guía negativa para mitigar este efecto mientras se preserva la separabilidad de clases.

Enrico Ventura, Beatrice Achilli, Luca Ambrogioni, Carlo LucibelloThu, 12 Ma📊 stat

Universality of General Spiked Tensor Models

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.

Yanjin Xiang, Zhihua ZhangThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Este artículo presenta un marco unificado basado en procesos-e para la detección en línea de marcas de agua en modelos de lenguaje grande (LLM), ofreciendo garantías válidas en cualquier momento y mejorando el poder de detección mediante estadísticas pivote adaptativas empíricas.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

SEED-SET: Scalable Evolving Experimental Design for System-level Ethical Testing

El artículo presenta SEED-SET, un marco de diseño experimental bayesiano que integra evaluaciones objetivas y juicios subjetivos de las partes interesadas mediante procesos gaussianos jerárquicos para realizar una prueba ética escalable y eficiente de sistemas autónomos, logrando una mayor cobertura de espacios de búsqueda y una generación superior de candidatos de prueba en comparación con los métodos existentes.

Anjali Parashar, Yingke Li, Eric Yang Yu, Fei Chen, James Neidhoefer, Devesh Upadhyay, Chuchu FanThu, 12 Ma📊 stat

← Anterior Siguiente →