38 articles
Cet article présente une implémentation Python de nouveaux outils géométriques pour l'espace des formes de Kendall en 3D, comblant ainsi le manque de fonctionnalités spécialisées dans la bibliothèque Geomstats afin de faciliter l'analyse pratique des structures géométriques.
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 un estimateur bayésien hiérarchique pour la variance des strates fines en survey, démontrant par des simulations et des analyses de données réelles sa supériorité en termes de biais et d'erreur quadratique moyenne par rapport aux méthodes existantes comme le regroupement de strates, l'estimation non paramétrique bayésienne ou les estimateurs à noyau.
Ce papier présente le package R `afttest`, qui fournit des outils de diagnostic efficaces et évolutifs pour les modèles de temps accéléré semi-paramétriques en implémentant des procédures de bon ajustement basées sur les résidus de martingale, notamment une nouvelle méthode d'approximation linéaire par fonction d'influence qui réduit considérablement le temps de calcul par rapport aux méthodes de rééchantillonnage traditionnelles.
Cet article présente et évalue deux stratégies de localisation pour l'assimilation de données séquentielle par MCMC, une méthode robuste aux modèles géophysiques non linéaires et non gaussiens qui évite la dégénérescence des poids des filtres particulaires et surpasse le filtre de Kalman transformé local (LETKF) dans des scénarios à forte dimension et avec des bruits d'observation lourds.
Cet article développe de nouveaux résultats théoriques et inférentiels pour la distribution Unit Teissier, notamment des expressions fermées pour les moments et les L-moments des statistiques d'ordre, tout en évaluant et en comparant diverses méthodes d'estimation des paramètres via des simulations et une application sur des données réelles.
Cet article propose une procédure d'estimation pour les modèles non linéaires à effets mixtes utilisant des splines pénalisées et la différenciation automatique via Template Model Builder, offrant une meilleure performance inférentielle et une charge computationnelle réduite, comme démontré par une étude sur la croissance de la taille des nourrissons.
Cet article propose une nouvelle approche pour la conception optimale d'expériences bayésienne par lots, en levant le problème d'optimisation vers l'espace des mesures de probabilité pour y appliquer des flots de gradient de Wasserstein, permettant ainsi de surmonter les difficultés d'optimisation non convexe et de générer efficacement des lots d'expériences à forte utilité.
Cet article propose une analyse probabiliste des erreurs d'arrondi en virgule flottante qui intègre explicitement les biais et les variances pour obtenir des bornes plus précises et adaptées aux régimes de faible précision, dépassant ainsi les limites des modèles classiques à moyenne nulle.
Cet article propose un cadre unificateur rigoureux reliant les méthodes de Monte Carlo par chaîne de Markov basées sur la dynamique hamiltonienne et les processus de Markov déterministes par morceaux, en introduisant une dynamique hamiltonienne « rebondissante » qui permet de concevoir des échantillonneurs sans rejet performants pour l'inférence bayésienne à grande échelle.
Cet article propose une méthode de régression par processus gaussiens multi-niveaux pour l'analyse de données fonctionnelles, qui tire parti de grilles d'échantillonnage régulières pour dériver des expressions analytiques exactes permettant un calcul extrêmement rapide et l'ajustement de modèles à de grands jeux de données via le langage Stan.
Cette étude propose DisSim-FinBERT, un cadre innovant combinant la simplification discursive et l'analyse de sentiment basée sur les aspects pour améliorer la précision de l'extraction des messages clés et des prévisions de sentiment dans les textes financiers complexes comme les comptes rendus du FOMC.
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.
Cette étude propose un modèle basé sur les réseaux intégrant la structure réelle des champs pour mieux comprendre et gérer la tache oculaire de la cercosporiose du soja, démontrant que le désherbage ciblé précoce est plus efficace que les méthodes traditionnelles et que les pratiques de travail du sol n'influent pas significativement sur la propagation de la maladie.
Cet article propose une approche bayésienne non paramétrique pour l'apprentissage de mélanges finis à composantes non paramétriques, en établissant des conditions d'identifiabilité, en démontrant des taux de contraction postérieure quasi-polynomiaux pour les densités des composantes latentes, et en développant un algorithme MCMC efficace pour l'inférence.
L'article présente Latent-IMH, une méthode d'échantillonnage bayésien efficace pour les problèmes inverses linéaires avec des opérateurs coûteux, qui génère des variables latentes via une approximation rapide avant de les affiner avec l'opérateur exact, surpassant ainsi des méthodes de l'état de l'art comme NUTS en termes d'efficacité computationnelle.
Cet article propose une nouvelle méthode de régression par moindres carrés tronqués qui est robuste aux valeurs aberrantes casuelles et cellulaires, gère les données manquantes, s'adapte aux distributions asymétriques et permet des prédictions hors échantillon fiables.
Cet article présente un cadre computationnel basé sur une méthode de Monte Carlo pour analyser la distribution d'état stationnaire et la stabilité d'équations différentielles stochastiques, en démontrant son efficacité sur un modèle proie-prédateur de Rosenzweig-McArthur soumis à des incertitudes paramétriques complexes et des superpositions multimodales.