217 articles
Cet article propose le LAE-EnKF, une méthode d'assimilation de données qui améliore la précision et la stabilité des systèmes dynamiques non linéaires en reformulant le problème dans un espace latent appris où les évolutions sont linéaires et stables, tout en maintenant un coût computationnel comparable à celui du filtre de Kalman par ensemble standard.
Le papier présente CREDO, une méthode innovante qui combine des enveloppes crédales interprétables pour capturer l'incertitude épistémique avec une calibration conforme pour garantir une couverture marginale, produisant ainsi des intervalles de prédiction en régression à la fois valides et adaptatifs.
Cet article formalise l'objectif de démontrer l'efficacité d'au moins une intervention dans un cadre de bandit manchot adaptatif en développant des procédures d'inférence pour tester si la moyenne d'un bras dépasse un seuil, tout en proposant une règle d'allocation adaptative optimisant le rapport signal sur bruit avec une borne de regret logarithmique.
Cet article propose une nouvelle approche de régression Fréchet pour des réponses multivariées sous forme de distributions, en utilisant la famille nonparanormale et la métrique de transport nonparanormale (NPT) pour surmonter les défis computationnels et statistiques liés à la dimensionnalité tout en garantissant des taux de convergence rapides.
Ce papier propose un cadre méthodologique pour extrapoler les effets de traitement dans le temps en utilisant des essais répétés ou des bras de traitement communs, permettant d'estimer l'effet moyen de traitement transporté (TATE) grâce à des estimateurs doublement robustes et semi-paramétriquement efficaces.
Cet article propose un cadre d'étalonnage unifié pour intégrer de manière cohérente des informations hétérogènes, telles que des données externes ou des prédictions d'apprentissage automatique, dans les expériences randomisées adaptatives, garantissant ainsi une estimation plus précise des effets de traitement sans compromettre la validité asymptotique.
Cet article propose une nouvelle méthode d'engression spatiotemporelle générative profonde pour produire des prévisions probabilistes fiables des épidémies, surpassant les modèles existants grâce à une quantification endogène de l'incertitude et à une validité théorique rigoureuse.
Cet article propose une méthode améliorée de régression rang-rang conditionnelle utilisant des modèles de transformation profonde et du cross-fitting pour estimer la mobilité intergénérationnelle avec une grande précision dans des contextes non linéaires et discrets, tout en fournissant une théorie asymptotique et des applications empiriques sur les revenus aux États-Unis et la mobilité éducative en Inde.
Cet article propose et analyse un estimateur de densité non paramétrique basé sur un noyau de Dirichlet adaptatif et un pondération par probabilité inverse pour estimer la densité de données compositionnelles sur le simplexe en présence de données manquantes, démontrant ainsi sa supériorité par rapport aux méthodes de transformation log-ratio et son applicabilité à des données réelles de composition leucocytaire.
Ce monographie offre un aperçu rigoureux des aspects théoriques et méthodologiques de l'inférence probabiliste et de l'apprentissage par la méthode de Stein, en détaillant la construction des écarts de Stein, leurs propriétés et leur lien avec la descente de gradient variationnelle de Stein.
Cet article propose une approche basée sur des modèles pour isoler et décomposer les effets de consommation énergétique spécifiques aux algorithmes de contrôle intelligent dans les bâtiments chauffés par réseau, en utilisant des données réelles sur dix ans pour surmonter les limites des méthodes de suivi traditionnelles.
Cet article présente la décomposition partielle de la causalité de Granger (PDGC), une méthode exploitant le cadre de la décomposition de l'information partielle pour révéler des interactions redondantes et synergiques dans les réseaux physiologiques, permettant ainsi d'identifier des modes d'interaction inédits liés à la dysfonction autonome chez les patients sujets à la syncope.
Cet article propose TV-Select, un cadre unifié basé sur une pénalisation double (Lasso de groupe et lissage) pour identifier simultanément les variables pertinentes et déterminer si leurs effets dans les modèles longitudinaux sont constants ou variables dans le temps, surmontant ainsi les limites des modèles linéaires mixtes et des modèles à coefficients variables.
Cet article développe une théorie d'inférence post-hoc asymptotique qui permet d'utiliser des niveaux de signification dépendants des données tout en offrant des hypothèses plus faibles et des résultats plus précis que les approches non asymptotiques basées sur les valeurs-e.
Ce papier établit une équivalence formelle entre les méthodes de réduction de variance utilisées dans les tests A/B en ligne et l'évaluation hors politique, démontrant que l'estimateur de différence de moyennes correspond à un score de propension inverse avec un variate de contrôle optimal, et que les ajustements par régression sont structurellement équivalents à l'estimation doublement robuste.
Cet article propose un estimateur basé sur les séries de Laguerre pour les modèles à coefficients variables qui atteint des taux de convergence minimax optimaux, tout en établissant la normalité asymptotique et en permettant la construction d'intervalles de confiance et de tests d'hypothèses, comme le démontrent des études de simulation et une application sur données réelles.
Cet article propose deux mesures probabilistes, le taux de reproductibilité (RR) et le taux de fausse irréproductibilité (FIR), pour évaluer quantitativement la fiabilité des associations positives dans les études d'association pangénomique (GWAS) lors des études de réplication.
Cet article propose une nouvelle méthode d'analyse conjointe basée sur le contrôle du taux de fausses découvertes locales (Jlfdr) qui s'avère plus puissante que les méta-analyses classiques pour l'étude de données hétérogènes issues de multiples études d'association pangénomique (GWAS).
Cet article étudie les distributions coupées sous un angle asymptotique en établissant un théorème de Bernstein-von Mises et une approximation de Laplace, puis propose un algorithme basé sur le Posterior Bootstrap pour obtenir des régions de crédibilité avec une couverture fréquentiste asymptotique nominale, offrant ainsi une inférence modulaire robuste face aux erreurs de spécification du modèle.
Ce papier propose une caractérisation analytique de la flexibilité du synthétique de contrôle sous forme de degrés de liberté et introduit des critères d'information estimables qui surpassent la validation croisée pour la sélection de modèles, comme démontré par l'évaluation du rationnement des plaques d'immatriculation à Tianjin.