222 articles
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.
Ce papier propose cc-Shapley, une méthode modifiant les valeurs de Shapley conventionnelles en intégrant la structure causale des données pour éliminer les associations fallacieuses (comme le biais de collier) et fournir une interprétation correcte de l'importance des caractéristiques multivariées.
Cet article propose une application novatrice de l'inférence causale proximale pour estimer l'efficacité d'un traitement de prévention du VIH par rapport à un placebo en utilisant des données de contrôle externes, surmontant ainsi les défis liés aux différences de risque et aux faibles taux d'incidence.
Cet article propose un cadre méthodologique complet pour la sélection de variables dans l'imputation par régression linéaire en sondage, démontrant la convergence vers un modèle optimal et la validité asymptotique des intervalles de confiance qui en découlent.
Le papier présente KRAFTY, une méthode innovante de clustering multi-vues basée sur le cadre de Khatri-Rao transposé qui permet de récupérer avec précision la structure de clusters joints et de sélectionner le nombre optimal de clusters en exploitant la propriété d'orthogonalité des sous-espaces, surpassant ainsi les méthodes existantes lorsque le nombre de clusters joints dépasse la somme des clusters individuels.
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 nouvel émulateur multi-fidélité basé sur la décomposition tensorielle et les processus gaussiens pour modéliser efficacement les sorties spatio-temporelles complexes de la dynamique de la glace de mer arctique, en combinant les données de faible et de haute fidélité afin de réduire les coûts computationnels tout en améliorant la précision et l'incertitude par rapport aux approches mono-fidélité.
Cet article propose une méthode d'estimation robuste pour les processus de diffusion à partir de données haute fréquence contaminées par des valeurs aberrantes, en combinant l'approximation de Kessler de la densité de transition à une loi gaussienne avec la minimisation de la divergence pour établir les propriétés asymptotiques et les fonctions d'influence conditionnelles du nouvel estimateur.
Cet article propose une nouvelle méthodologie intégrant l'Analyse Simultanée des Composantes ANOVA (ASCA) pour modéliser et interpréter la cyclostationnarité dans les séries temporelles multivariées, en surmontant les limites des approches traditionnelles comme l'ANOVA et en validant cette approche via des études de cas sur les températures lacustres et les pollens atmosphériques.
Cet article propose une nouvelle carte de contrôle MPC basée sur des modèles graphiques fonctionnels pour surveiller efficacement les changements subtils et parcimonieux dans la structure de covariance des profils multicanal, comblant ainsi une lacune des méthodes traditionnelles axées uniquement sur la moyenne.
Cet article présente TS-BOSS, une méthode évolutive de découverte causale pour les séries temporelles multivariées qui étend l'algorithme BOSS aux réseaux bayésiens dynamiques en garantissant théoriquement sa validité et en démontrant une supériorité empirique, notamment dans les régimes à forte autocorrélation.
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 la méthode du Chi-carré discret (DCM), une approche robuste fondée sur les moindres carrés et le théorème de Gauss-Markov qui, grâce à l'effet de dimension de fenêtre, permet de modéliser et de prévoir avec succès des séries temporelles complexes comme les données d'El Niño de 1870 à 2024, surpassant ainsi les limitations des transformées de Fourier discrètes.
Cet article propose un cadre statistique unifié démontrant que l'augmentation synthétique dans l'apprentissage déséquilibré n'est pas toujours bénéfique et que sa taille optimale dépend de l'alignement des erreurs du générateur, conduisant à recommander une méthode de sélection par validation (VTSS) plutôt qu'un équilibrage complet naïf.
Cet article propose un nouveau paradigme pour l'apprentissage causal qui, en intégrant le crowdsourcing, l'expertise humaine et les modèles de langage, vise à reconstruire des structures causales globales à partir des connaissances fragmentées et imparfaites d'agents distribués.
Cet article propose une nouvelle stratégie de sélection de paramètres adaptative pour les descentes de gradient à noyau, fondée sur l'analyse biais-variance et la dimension effective empirique, qui garantit théoriquement des bornes d'erreur de généralisation optimales et surpassant les méthodes existantes.
CausalMix est un cadre génératif variationnel qui comble le fossé entre le réalisme distributionnel et le contrôle causal en permettant la manipulation indépendante de l'overlap, de la force du biais de confusion et de l'hétérogénéité des effets de traitement pour valider des études d'inférence causale sur des données tabulaires mixtes.
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.
Cet article propose le critère d'information pivot (PIC), une méthode d'optimisation continue qui sélectionne automatiquement son paramètre de pénalité à la frontière de détection du bruit pour surmonter les limites des critères classiques et améliorer la récupération exacte du support dans les modèles à haute dimension.
Cet article propose une nouvelle notion quantitative de confidentialité, fondée sur la théorie de décision bayésienne et conçue pour être plus contextuelle et rigoureuse que la confidentialité différentielle ou la théorie du divulgation statistique, en exigeant que les décisions de divulgation soient prises du point de vue de la distribution a priori.