161 articles
Cet article propose deux critères robustes et un algorithme d'optimisation pour apprendre des règles de traitement optimales dans le contexte de données de survie censurées, en visant à maximiser le temps de survie tronqué et les probabilités de survie tamponnées, tout en validant ces méthodes par des simulations et une application sur des données cliniques du sida.
Cet article établit des fondements théoriques rigoureux pour l'approximation de Vecchia des processus gaussiens de Matérn en démontrant que le choix de parents comme ensembles de normalisation permet d'obtenir des propriétés probabilistes clés et une contraction optimale du posterior en régression non paramétrique.
Cet article démontre que l'existence d'un pivot est cruciale pour atteindre une erreur de couverture de l'ordre dans les intervalles de prédiction des petites zones, propose une méthode pour détecter l'absence de pivot qui entraîne une surcouverture, et introduit une double bootstrap paramétrique pour corriger ce problème.
Cet article propose une nouvelle approche pilotée par les données pour optimiser les politiques de tarification et de gestion des stocks en environnement hors ligne, en surmontant les défis posés par la demande censurée et dépendante grâce à l'approximation par des processus de décision markoviens d'ordre élevé et à l'estimation de politiques optimales via des algorithmes inspirés de l'apprentissage par renforcement hors ligne et de l'analyse de survie.
Cet article établit une loi des grands nombres pour les normes d'Orlicz empiriques, identifie des conditions pour un théorème central limite et révèle que, dans certains cas canoniques comme les variables gaussiennes, la convergence suit un taux non standard de vers une loi stable, démontrant par ailleurs l'absence de taux de convergence uniforme pour la classe des distributions à norme d'Orlicz bornée.
Cet article établit un principe d'universalité pour les modèles de tenseurs épineux asymétriques en démontrant que, sous des hypothèses de moments finis, les limites statistiques et spectrales de l'estimateur de vraisemblance maximale coïncident avec celles du cas gaussien, au-delà du cadre de bruit gaussien traditionnel.
Ce papier caractérise la frontière critique où les limites gaussiennes du mécanisme de brouillage échouent, en établissant la convergence vers des limites non gaussiennes de type Poisson, Skellam et composé-Poisson pour des randomisateurs locaux de plus en plus concentrés.
Cet article propose une méthode d'apprentissage de dictionnaire pour le clustering non supervisé d'images hyperspectrales en utilisant des barycentres de Wasserstein non équilibrés afin de surmonter les limitations des approches précédentes liées à l'équilibrage des profils spectraux et à la sensibilité au bruit.
Cet article étudie une approximation par diffusion en temps continu des algorithmes de gradient de politique pour les bandits stochastiques à bras, démontrant que des taux de regret optimaux sont atteints avec un taux d'apprentissage spécifique, tout en établissant que des taux linéaires inévitables surviennent sans cette condition même pour un nombre logarithmique de bras.
Cet article propose un nouveau cadre ARCH au niveau opérateur pour les données dans des espaces de Hilbert séparables, permettant de modéliser l'évolution complète de l'opérateur de covariance conditionnelle, et établit les propriétés théoriques de stationnarité ainsi que des estimateurs consistants pour ce modèle.
Cet article réfute la validité générale du critère usuel d'identification des statistiques minimales suffisantes en fournissant des contre-exemples, puis propose une version robuste de ce critère applicable aux espaces analytiques de Borel tout en démontrant qu'une autre approche de Pfanzagl nécessite également des hypothèses supplémentaires.
Cet article propose un estimateur ciblé minimum de perte assisté par des substituts pour estimer des effets causaux avec des résultats retardés et une censure administrative, offrant une solution doublement robuste et asymptotiquement linéaire qui évite l'instabilité des pondérations par probabilité d'inverse et élimine les biais d'ordre supérieur sans nécessiter l'estimation directe de la loi des substituts conditionnels.
Cet article établit une approximation gaussienne forte pour les statistiques U non dégénérées en haute dimension, en fournissant une fondation théorique unifiée pour l'inférence statistique et les tests de changement de point sans recourir à des bornes ni à des arguments de bootstrap, même sous des distributions à queues lourdes.
Ce papier introduit Scorio, une bibliothèque open-source qui formalise et évalue des méthodes statistiques pour classer les modèles de langage de raisonnement dans des régimes d'extension au moment du test, en identifiant des approches fiables pour les budgets de calcul élevés et faibles sur des benchmarks mathématiques de haut niveau.
Le papier « ForwardFlow » propose une méthode d'inférence statistique fréquentiste basée sur l'apprentissage profond, utilisant un réseau neuronal unique entraîné sur des données simulées pour résoudre directement le problème inverse d'estimation de paramètres avec une exactitude en échantillon fini, une robustesse aux contaminations et une capacité à approximer des algorithmes complexes.
Cet article propose une méthode pour construire des fonctions de seuillage positives définies préservant la validité des matrices de corrélation, tout en démontrant que tout opérateur de seuillage doux garantissant cette propriété induit inévitablement un effondrement géométrique de l'espace des caractéristiques qui limite la récupération du signal.
Cet article fournit des caractérisations axiomatiques des estimateurs généralisés et usuels en s'appuyant sur les propriétés de symétrie, d'internité et d'idempotence asymptotique, avec l'utilisation d'un théorème de séparation pour les sous-sémigroupes abéliens dans les preuves.
Cet ouvrage propose une synthèse pédagogique des fondements théoriques et des preuves unifiées de la prédiction conforme, une méthode d'inférence distributionnelle offrant des garanties de quantification de l'incertitude pour l'apprentissage automatique sans hypothèse sur la distribution des données.
Cet article établit que l'estimateur du maximum de vraisemblance pour le paramètre de criticité auto-organisée d'un mouvement brownien oscillant est -consistant et converge de manière stable vers une loi de Poisson bivariate, malgré la discontinuité de la densité de transition qui engendre une structure de vraisemblance complexe et des phénomènes asymptotiques non standards.
Cet article propose un nouvel omnibus test d'adéquation pour les distributions continues univariées, fondé sur les moments trigonométriques des données transformées par intégrale de probabilité, qui améliore le test de Langholz et Kronmal en exploitant pleinement la structure de covariance pour garantir une convergence vers une loi même en présence de paramètres de nuisance, tout en offrant une procédure prête à l'emploi pour onze familles de distributions courantes.