154 articles
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 développe une formule de développement asymptotique pour la probabilité de couverture du bootstrap dans des dimensions élevées, expliquant ainsi pourquoi le bootstrap sauvage à appariement du troisième moment atteint une précision du second ordre sans studentisation sous certaines conditions de covariance, et démontrant qu'une méthode de double bootstrap sauvage garantit cette précision indépendamment de la structure de covariance.
Cet article établit une borne de Lipschitz locale explicite pour la distance de Kantorovich entre les distributions d'estimateurs de matrices de précision clairsemées sous des données pures et contaminées, démontrant ainsi leur stabilité distributionnelle et étendant ces résultats aux estimateurs de covariance et de leurs valeurs propres.
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.
Cet article propose des estimateurs GMM et M ainsi que leurs propriétés asymptotiques pour des données dépendantes d'un réseau, en établissant une nouvelle loi des grands nombres uniforme qui garantit la consistance et la normalité asymptotique de ces estimateurs.
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 développe un cadre d'analyse non standard pour les mesures de risque cohérentes et leurs estimateurs, établissant des représentations hyperfinies et des formules de Kusuoka discrètes qui permettent d'établir la consistance uniforme, la validité du bootstrap et la normalité asymptotique des estimateurs plug-in spectraux.
Cet article propose une nouvelle procédure d'allocation adaptative aux covariables qui assure un équilibre des covariables spécifiées tout en garantissant que la variance d'imbalance des covariables non spécifiées ne dépasse pas celle de la randomisation simple, évitant ainsi l'inflation de variance et le « problème de décalage » qui compromettent la validité des tests statistiques.
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.
Cet article propose un modèle de processus gaussien multitâche évolutif, doté d'une structure de noyau séparable et d'une quantification d'incertitude, capable de traiter efficacement des covariables fonctionnelles et des tâches corrélées pour des systèmes mécaniques complexes, comme démontré par son application à une assemblage riveté nécessitant peu d'échantillons pour des prédictions précises.
Ce papier développe un cadre thermodynamique pour l'inférence asymptotique où l'information de Shannon joue le rôle d'entropie, établissant des lois analogues aux principes de la thermodynamique et révélant que les processus physiques d'ensemble et d'inférence sont des évolutions opposées au sein d'une description unifiée.
Cet article établit des taux de convergence minimax optimaux pour une procédure de classification binaire basée sur des trajectoires d'équations différentielles stochastiques sous des conditions de faible bruit, en démontrant une convergence plus rapide sur un espace de Hölder grâce à une nouvelle inégalité exponentielle.
Le papier présente RACER, une méthode de routage des requêtes vers des modèles de langage qui, en formulant le problème comme une minimisation de la taille de l'ensemble de modèles tout en contrôlant le risque d'erreur, garantit théoriquement et empiriquement une meilleure précision et une gestion rigoureuse des risques sur des données inconnues.
Cet article propose un nouvel estimateur de la divergence de Kullback-Leibler basé sur l'entropie de Shannon et l'approche k-plus proches voisins, permettant de construire un test d'adéquation à la loi normale multivariée qui surpasse les méthodes conventionnelles, notamment en dimensions élevées.
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.