97 articles
Cet article propose une méthode d'extrapolation de survie stable et interprétable, fondée sur l'apprentissage par transfert et des modèles polyhazards flexibles, pour améliorer les évaluations économiques en santé en intégrant des données démographiques à long terme comme ancre de référence.
Cet article démontre qu'un mélange de distributions de Wishart non centrales partageant les mêmes degrés de liberté reste une distribution de Wishart non centrale, un résultat qui permet d'étendre la théorie des tests d'effets aléatoires aux modèles de plans factoriels avec des données normales multidimensionnelles.
Cet article présente CITS, un cadre non paramétrique théoriquement fondé et empiriquement validé pour inférer des structures causales à partir de séries temporelles neuronales haute résolution, surpassant les méthodes existantes en précision et révélant de nouvelles voies fonctionnelles dans le cerveau de la souris.
Cet article étend le modèle wgsLR pour intégrer des probabilités d'erreur de génotypage asymétriques et inconnues dans le séquençage shotgun d'ADN, démontrant la robustesse du modèle et fournissant une implémentation dans le package R wgsLR pour une évaluation plus précise de la force probante en génétique médico-légale.
Les auteurs proposent BLAST, un cadre d'apprentissage par transfert bayésien pour la régression linéaire de haute dimension qui combine des priors de rétrécissement global-local et une sélection adaptative de sources pour améliorer l'inférence et la quantification de l'incertitude tout en évitant le transfert négatif.
Cet article présente ForeComp, un package R permettant de comparer la précision prédictive à l'aide de tests de type Diebold-Mariano avec des inférences à lissage fixe, incluant des outils de diagnostic visuel et des illustrations empiriques.
Cet article propose une transformation « à risque » des prédicteurs en indicateurs binaires, démontrant que cette approche améliore significativement la prédiction des récessions américaines par rapport aux variables continues, rendant même les modèles linéaires compétitifs face aux méthodes d'apprentissage automatique.
En modélisant les décisions de quatrième down de l'NFL comme un processus de décision markovien résolu par optimisation inverse, cette étude révèle que les entraîneurs adoptent des préférences de risque conservatrices qui s'atténuent dans le demi-terrain adverse et évoluent vers plus de tolérance au risque au fil du temps.
Cet article présente le modèle BHARP, une approche bayésienne hiérarchique innovante qui utilise des partitions aléatoires ajustables pour identifier l'hétérogénéité des effets du traitement et optimiser le partage d'information dans les essais cliniques d'enrichissement adaptatif, surpassant ainsi les méthodes existantes en précision et en flexibilité.
Cet article propose un cadre non paramétrique séquentiel basé sur les valeurs-e pour effectuer des backtests comparatifs de mesures de risque générales, offrant une inférence valide à tout moment et robuste face à la dépendance et aux erreurs de spécification du modèle.
Cette étude propose un nouveau modèle statistique pénalisé pour évaluer les réponses comportementales à la perturbation et démontre que les narvals réagissent à la présence de navires jusqu'à 4 kilomètres en modifiant leur déplacement et leur profondeur.
Cet article propose une métrique statistique novatrice pour quantifier la segmentation des réseaux, en définissant un estimateur normalisé dont la précision est garantie par un échantillonnage aléatoire de seulement 97 paires de nœuds, permettant ainsi une évaluation fiable de la sécurité contre les mouvements latéraux.
Cet article propose une modélisation bayésienne des temps d'arrêt de la conjecture de Collatz en comparant une régression hiérarchique binomiale négative et une approximation générative basée sur la décomposition en blocs impairs, démontrant que la structure modulaire de bas ordre (notamment ) est un facteur clé de l'hétérogénéité observée.
Cette étude propose un cadre d'apprentissage profond basé sur un ensemble de modèles ConvLSTM pour prévoir les risques d'accidents liés à la météo en Caroline du Nord, démontrant une supériorité significative par rapport aux modèles de base, notamment dans les zones à haut risque.
Cette étude propose une stratégie de prolongement analytique par série, basée sur l'approximation de Padé appliquée à l'expansion des cumulants, pour précalculer avec précision la prédistorsion nécessaire à la simulation efficace et fidèle de sequences de brouillage radar non gaussiennes via un processus autorégressif.
Cet article propose un nouveau modèle de processus graphiques supOU pilotés par des processus de Lévy pour les séries temporelles multidimensionnelles, capable de capturer à la fois les dépendances à court et à long terme, et développe une méthode d'estimation par moments généralisés dont la validité est démontrée théoriquement et validée empiriquement sur des données de capacité éolienne en Europe.
Cet article présente de nouvelles propriétés analytiques et des approximations pratiques pour la distribution normale isotrope projetée, une loi de probabilité déduite des hypothèses de traitement du signal en neurosciences pour l'analyse des phases des signaux EEG lors de stimulations lumineuses.