207 articles
Le papier présente AgroDesign, un cadre d'inférence statistique en Python qui intègre la conception expérimentale au cœur de l'analyse pour automatiser la modélisation, les tests d'hypothèses et l'interprétation des essais agricoles, garantissant ainsi une rigueur méthodologique et une reproductibilité accrues.
Cet article propose un cadre innovant de prédiction de fiabilité en ligne pour l'électronique satellitaire, combinant un modèle de dégradation de Wiener avec des effets aléatoires et une corrélation spatiale à une stratégie d'apprentissage actif adaptatif, permettant d'améliorer la précision des prévisions tout en réduisant les besoins en données.
Cet article présente le MM-test, une méthode de criblage sans distribution pour identifier les gènes spatialement variables dans les données de transcriptomique spatiale, y compris en 3D, en utilisant une statistique de rapport de vraisemblance quasi-nulle combinée à une procédure de knockoff pour contrôler le taux de fausses découvertes et surpasser les méthodes existantes.
Cet article propose un cadre d'inférence bayésienne entièrement bayésien pour les modèles non normalisés, qui contourne le problème de la constante de normalisation en reformulant l'inférence comme un problème de classification binaire via l'estimation de contraste de bruit et en traitant cette constante comme un paramètre inconnu, permettant ainsi une estimation précise et une quantification rigoureuse de l'incertitude sans réglage fin.
Ce papier propose un cadre unifié pour la détection d'anomalies basé sur les surprisales, qui réduit le problème complexe à l'estimation de la queue d'une distribution univariée et offre des garanties statistiques robustes même en cas de mauvaise spécification du modèle.
Cet article propose un cadre unifié pour les factorisations de matrices non négatives (NMF) classique et convexe sous des hypothèses de bruit Tweedie et binomiales négatives, en dérivant des règles de mise à jour multiplicatives via des algorithmes MM et en démontrant leur efficacité supérieure sur des données réelles grâce à une implémentation logicielle disponible.
Cet article propose un cadre unifié hiérarchique multi-tâches et multi-fidélité basé sur les processus gaussiens pour surmonter les limites de la modélisation de substitution dans la fabrication en exploitant simultanément les similarités inter-tâches et les caractéristiques des données hétérogènes, améliorant ainsi la précision des prédictions jusqu'à 23 % par rapport aux méthodes existantes.
Cet article propose une conception bayésienne adaptative d'enrichissement qui intègre des données historiques agrégées via une loi a priori de puissance normalisée pour optimiser les recommandations de traitement individualisées et améliorer l'efficacité des essais cliniques.
Cet article démontre que, pour estimer des fonctionnels doublement robustes avec des taux de convergence optimaux, il est nécessaire de combiner judicieusement des stratégies de division de l'échantillon et des réglages de lissage (sous- ou sur-lissage) des fonctions de nuisance, permettant ainsi aux estimateurs par plug-in et aux estimateurs corrigés du premier ordre d'atteindre les taux minimax sur toutes les classes de régularité de Hölder.
Les auteurs proposent des algorithmes de type « slice sampling » géodésique, notamment une version basée sur la réduction sans paramètre de réglage, pour échantillonner efficacement des distributions sur la sphère, surpassant les méthodes standards comme le Metropolis-Hastings ou le Hamiltonian Monte Carlo dans des scénarios complexes.
Cet article propose un cadre sémiparamétrique structuré combinant des modèles de choix algorithmique et de réponse des spectateurs, ainsi qu'une extension de l'apprentissage automatique double (DML), pour estimer sans biais les effets des traitements dans les marchés à deux faces où l'interférence algorithmique fausse les expériences randomisées classiques.
Les auteurs proposent un cadre unifié d'apprentissage par transfert pour le clustering, nommé ATC, qui exploite automatiquement les similarités entre un ensemble de données principal et un ensemble auxiliaire malgré des structures latentes différentes, tout en garantissant l'optimalité théorique et une efficacité empirique validée sur divers modèles statistiques.
Cet article propose DR-FoS, une nouvelle méthode à double robustesse pour estimer l'effet causal moyen fonctionnel dans des études observationnelles, garantissant une inférence valide même en cas de mauvaise spécification de l'un des modèles, comme démontré par des simulations et une application sur les données SHARE.
Ce papier présente un nouvel algorithme à complexité linéaire permettant de calculer rapidement une courbe complète de bornes post hoc pour la proportion de fausses découvertes le long d'un chemin de sélection croissant, en exploitant la structure en forêt d'une famille de référence.
Ce papier présente StablePCA, un cadre d'apprentissage robuste aux distributions pour l'extraction de représentations partagées à partir de données multi-sources, en surmontant les défis d'optimisation non convexe grâce à une relaxation convexe résolue par un algorithme Mirror-Prox avec des garanties de convergence et de précision.
Cet article présente un nouvel estimateur de complétion de tenseur de Poisson qui exploite les relations inter-échantillons pour décomposer les histogrammes de fréquences en un processus de Poisson non homogène, garantissant ainsi des estimations non négatives et surpassant les méthodes histogrammiques classiques pour les distributions sous-gaussiennes grâce au phénomène de concentration de la norme.
Cet article présente le coefficient de corrélation de divergence (c-delta), une nouvelle mesure statistique conçue pour quantifier la similarité des schémas de divergence interne entre deux groupes de valeurs, offrant ainsi une perspective inédite pour l'analyse de structures de variabilité dans des domaines allant de la physique quantique à l'intelligence artificielle.
Cet article propose Sigmoid-FTRL, une procédure adaptative de conception expérimentale qui résout la non-convexité inhérente à l'allocation de Neyman pour les estimateurs AIPW en minimisant simultanément deux regrets convexes, atteignant ainsi le taux minimax de regret de Neyman et permettant la construction d'intervalles de confiance asymptotiquement valides.
Cet article propose un cadre pour la certification opérationnelle des prédicteurs conformes au-delà de la simple couverture marginale, en introduisant des méthodes comme la correction bêta à petit échantillon et l'audit par calibration pour garantir des limites de confiance finies sur des métriques critiques telles que la fréquence de décision et l'exposition aux erreurs.
Cet article formalise la dépendance à l'ordre de l'estimateur de l'écart-type par la moyenne des étendues mobiles en décomposant sa variance totale sous l'effet d'une permutation aléatoire, révélant ainsi que la perte d'efficacité asymptotique par rapport à l'estimateur classique provient presque entièrement de la composante d'adjacence.