222 articles
Cet article propose trois algorithmes évolutifs basés sur l'inférence variationnelle et l'expectation propagation pour approximer efficacement les distributions a posteriori dans les modèles de régression probit cumulatif, surpassant les méthodes MCMC en termes de performance computationnelle et de précision sur de grands jeux de données.
Cette étude évalue systématiquement la capacité des modèles de langage GPT et Gemini à générer des plans factoriels fractionnaires à deux niveaux optimaux, démontrant qu'ils peuvent efficacement construire des designs de 8, 16 et 32 essais pour jusqu'à huit facteurs en respectant les critères de résolution et d'aberration minimale.
Cet article propose une approche bayésienne en deux étapes qui intègre l'incertitude de l'estimation du modèle pour identifier les répondants probables et améliorer la fiabilité des inférences sur les effets du traitement dans les essais contrôlés randomisés, comme démontré par des simulations et une application à un essai international sur le COVID-19.
Cette étude démontre que, bien que les modèles d'accumulation évolutive supposant l'irréversibilité introduisent certaines erreurs, ils restent capables de fournir des informations fiables sur l'ordre relatif d'acquisition des traits et la structure dynamique fondamentale des voies évolutives, même lorsque les processus réels sont réversibles.
Cet article démontre que l'utilisation de générateurs de nombres aléatoires d'état dans les modèles basés sur des agents fausse les comparaisons contrefactuelles causales en raison de l'altération des chemins d'exécution, et propose une solution fondée sur le hachage d'événements couplé à des générateurs à compteur pour rétablir la cohérence causale.
Ce papier propose CausalTimePrior, un cadre générant des modèles causaux temporels synthétiques avec des données d'intervention pour entraîner des réseaux pré-adaptés aux données (PFNs) et permettre l'estimation d'effets causaux en contexte sur des séries temporelles.
Cet article propose un cadre de régression ridge fonctionnelle basé sur une partition pour traiter la multicolinéarité et le surajustement dans les modèles linéaires fonctionnels de haute dimension, en décomposant les effets fonctionnels pour appliquer une pénalisation différentielle qui améliore la stabilité numérique et l'interprétabilité sans recourir à une sélection explicite de variables.
Cet article propose un modèle stochastique en temps continu et une méthode de rééchantillonnage pour estimer la distribution prédictive des provisions IBNR et IBNER dans le cadre du modèle de Schnieper, garantissant ainsi des réserves non négatives et asymétriques sans hypothèses supplémentaires.
Cet article présente l'estimateur « outrigger » par régression polynomiale locale, une méthode adaptative qui modifie l'estimation standard en intégrant la fonction de score conditionnelle des erreurs pour atteindre l'optimalité minimax sur les classes de Hölder sans hypothèses restrictives sur la distribution des erreurs ou l'indépendance des covariables.
Cet article présente le cadre unifié wcPCA pour l'approximation de rang faible, qui garantit des performances optimales dans le pire des cas sur des domaines hétérogènes en étendant cette approche à d'autres objectifs et à la complétion de matrices, tout en démontrant son efficacité supérieure sur des données réelles.
Cet article propose un estimateur doublement robuste corrigé par une méthode jackknife HAC pour assurer une inférence spatiale valide et des intervalles de confiance fiables dans des scénarios de données manquantes au hasard et de dépendance spatiale, où les méthodes traditionnelles échouent en raison de la corrélation induite par le cross-fitting.
Cet article propose une nouvelle méthode d'analyse en composantes principales fonctionnelles multivariées pour données mixtes (FPCA), basée sur un modèle de copule gaussienne semi-paramétrique, afin d'identifier des biomarqueurs numériques temporels permettant de stratifier les sous-types de troubles de l'humeur à partir de données de santé mobile hétérogènes.
Cet article propose une nouvelle méthode d'inférence semi-modulaire bayésienne pour les modèles de copules, qui attribue un paramètre d'influence individuel à chaque marge pour gérer leur éventuelle mauvaise spécification différenciée, optimisant ainsi ces paramètres via une approche bayésienne et validant la méthode sur des données simulées et réelles.
Cet article propose un cadre novateur d'apprentissage par transfert pour l'analyse de survie qui améliore la prédiction en transférant des connaissances prédictives plutôt que distributionnelles via des modèles de transformation semi-paramétriques, éliminant ainsi le besoin d'accéder aux données individuelles sources tout en garantissant de meilleures performances asymptotiques.
Cet article propose une nouvelle méthode de synthèse bayésienne dynamique des régressions quantiles (DRQS), étendue à un cadre multivarié (FDRQS) via des facteurs latents, qui améliore la prévision des risques en combinant efficacement les informations de multiples modèles, notamment lors de périodes de stress économique extrême comme la pandémie de COVID-19.
Cet article propose une méthode séquentielle pour générer, énumérer et échantillonner des graphes bipartis, dirigés et non orientés à partir de séquences de degrés prescrites, en établissant une condition d'intervalle nécessaire et suffisante pour garantir la faisabilité globale et démontrant une excellente évolutivité sur de grandes instances.
Cet article propose un estimateur conservateur de la variance robuste à des moyennes hétérogènes et à la dépendance (en grappes bidirectionnelles ou faible), afin de corriger le sous-estimation de la variance et l'invalidité des tests statistiques qui en résultent lorsque les estimateurs standards sont utilisés.
Cet article propose un nouveau cadre de modélisation conjointe robuste pour des réponses mixtes continues et binaires, basé sur la divergence de puissance de densité et la régularisation , qui améliore la précision prédictive et la résistance aux valeurs aberrantes dans des contextes de haute dimension.
Cet article propose une méthode d'estimation simultanée de plusieurs distributions discrètes unimodales sous contraintes d'ordre stochastique, formulée comme un problème d'optimisation convexe quadratique en nombres mixtes, qui améliore significativement la précision sur de petits échantillons de données réelles et synthétiques.
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.