252 artículos
Este artículo demuestra que el criterio en diseños óptimos se descompone en un término de escala inverso a y un factor de esfericidad que depende de la dispersión de los valores propios, lo que explica las diferencias en el comportamiento de la varianza de los coeficientes entre diseños con valores similares y ofrece una herramienta para su selección y análisis.
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 estudio propone un nuevo método de agrupamiento basado en grafos e informado por trayectorias que integra datos clínicos multimodales y evoluciones temporales para identificar subtipos de cáncer más precisos y clínicamente relevantes, superando las limitaciones de los enfoques estáticos tradicionales.
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 propone un predictor lineal empírico pseudo-óptimo multivariado que incorpora los pesos de muestreo para estimar de manera consistente las medias de varias variables dependientes en áreas pequeñas bajo un modelo de regresión con errores anidados multivariado, incluyendo procedimientos de bootstrap para estimar sus errores cuadráticos medios.
Este artículo presenta dos nuevos algoritmos de g-cálculo que abordan simultáneamente el confusión dependiente del tiempo y los eventos semi-compitiendo, demostrando mediante simulaciones y una aplicación empírica sobre el tabaquismo y la hipertensión que superan a los estimadores existentes al ofrecer resultados sin sesgos en estudios longitudinales de envejecimiento.
Este artículo presenta un marco teórico unificado basado en el descenso de espejo estocástico regularizado que garantiza la estabilidad necesaria para inferencias estadísticas válidas en datos de bandaits adaptativos, ofreciendo simultáneamente garantías óptimas de arrepentimiento y robustez frente a corrupciones adversarias.
Este artículo desarrolla una teoría general para el aprendizaje ponderado por resultados (OWL) que establece relaciones de riesgo y tasas de convergencia para una amplia clase de funciones de pérdida y núcleos (incluyendo Matern), proponiendo algoritmos de optimización que demuestran un alto rendimiento en la derivación de reglas de tratamiento individualizado.
El artículo presenta BSync, un marco de sincronización bayesiana que infiere una función de mapeo temporal monótona con cuantificación formal de incertidumbre para alinear registros paleoclimáticos ruidosos con cronologías de referencia, superando a los métodos de optimización existentes al proporcionar intervalos creíbles bien calibrados y alineaciones más precisas, especialmente cuando las restricciones de edad independientes son escasas.
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 demuestra que, cuando la distribución previa condicional a los hiperparámetros es una distribución canónica de máxima entropía, la distribución marginal dependiente resultante también posee una propiedad de máxima entropía bajo una restricción diferente sobre la distribución marginal de una función de las cantidades desconocidas, aclarando así la información asumida al asignar un modelo jerárquico bayesiano.
El artículo presenta MultiwayPAM, un nuevo método de agrupación tensorial diseñado para analizar las puntuaciones de evaluadores LLM, permitiendo identificar simultáneamente la pertenencia a grupos y los medoides en cada dimensión (preguntas, respondientes y evaluadores) para mitigar el costo computacional y revelar sesgos inherentes.
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 demuestra que una clase de combinaciones optimizadas de valores-e sigue siendo válida incluso cuando el parámetro de ajuste se optimiza a partir de los datos, tanto para valores-e independientes como para una nueva categoría llamada variables-e simultáneas, y propone además una prueba de combinación mejorada basada en polinomios simétricos elementales.
Este trabajo aborda el problema de identificación del mejor brazo en banditos lineales no estacionarios estableciendo un límite inferior dependiente del conjunto de brazos y proponiendo el algoritmo , que logra una probabilidad de error óptima al aprovechar la estructura geométrica del conjunto de brazos.
El artículo propone un método de actualización robusta para modelos de predicción de riesgo que integra información de ranking externa mediante penalización de discrepancias, permitiendo aprovechar modelos pronósticos establecidos incluso cuando existen diferencias significativas entre las poblaciones de estudio o las puntuaciones de riesgo absolutas.
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 presenta WiGS, un método de aprendizaje activo para regresión que utiliza aprendizaje por refuerzo para adaptar dinámicamente el equilibrio entre exploración e investigación, superando a los enfoques basados en reglas multiplicativas estáticas en precisión y eficiencia de etiquetado.
Este artículo propone la "regresión isótona de Brenier", una extensión novedosa de la regresión isótona a múltiples salidas que utiliza el transporte óptimo para imponer la monotonía cíclica, demostrando un rendimiento superior en tareas de calibración de probabilidades y modelos lineales generalizados.
Este trabajo demuestra que el descenso de gradiente precondicionado en el espacio dual converge a una solución que interpola los datos en modelos lineales sobreparametrizados y caracteriza su sesgo implícito, mostrando que para precondicionadores isotrópicos minimiza la distancia de Frobenius respecto a la inicialización, comportándose de manera análoga al descenso de gradiente estándar.