252 articles
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.
Cet article propose un cadre théorique et un algorithme numérique pour résoudre le problème inverse continu des équations différentielles rugueuses, en construisant un chemin rugueux géométrique dont la réponse correspond à une trajectoire observée via la limite de solutions à des problèmes inverses discrets.
Cet article propose une méthode de branch-and-bound disjonctive couplée à de nouvelles relaxations convexes pour résoudre le problème de complétion de matrices de faible rang avec une garantie d'optimalité, surpassant significativement les heuristiques existantes en termes de précision et de certitude théorique.
Cet article propose une méthode d'agrégation de modèles de mélanges d'experts distribués basée sur le transport optimal, qui permet de reconstruire un estimateur global cohérent avec une seule étape de communication tout en garantissant des performances comparables à un entraînement centralisé.
Cet article propose deux approches non paramétriques innovantes pour estimer la distribution du temps d'entrée dans un état et les probabilités d'occupation conditionnelles dans un modèle multistat progressif à partir de données d'état actuel sévèrement censurées, en s'appuyant sur des concepts de risques compétitifs et en validant leur efficacité par des simulations et une application sur des données de cancer du sein.
Cet article propose deux critères robustes et un algorithme d'optimisation pour apprendre des règles de traitement optimales dans le contexte de données de survie censurées, en visant à maximiser le temps de survie tronqué et les probabilités de survie tamponnées, tout en validant ces méthodes par des simulations et une application sur des données cliniques du sida.
Cet article propose et illustre trois méthodes d'estimation paramétrique multi-fidélité, notamment pour l'analyse des valeurs extrêmes, afin d'améliorer l'efficacité de l'inférence sur des données de haute fidélité en exploitant des données de basse fidélité plus abondantes, comme le démontre une application à la quantification des mouvements extrêmes d'un navire.
Cette étude propose une théorie de la mémorisation géométrique démontrant que, face à la rareté des données, les modèles de diffusion subissent un effondrement progressif de leur capacité variationnelle où les caractéristiques saillantes puis les détails fins se figent, menant à une réplication quasi ponctuelle des exemples d'entraînement.
Cet article établit des fondements théoriques rigoureux pour l'approximation de Vecchia des processus gaussiens de Matérn en démontrant que le choix de parents comme ensembles de normalisation permet d'obtenir des propriétés probabilistes clés et une contraction optimale du posterior en régression non paramétrique.
Cet article démontre que l'existence d'un pivot est cruciale pour atteindre une erreur de couverture de l'ordre dans les intervalles de prédiction des petites zones, propose une méthode pour détecter l'absence de pivot qui entraîne une surcouverture, et introduit une double bootstrap paramétrique pour corriger ce problème.
Ce papier propose CLIQUE, une nouvelle méthode agnostique au modèle pour calculer l'importance locale des variables, qui améliore les techniques existantes comme LIME et SHAP en capturant les dépendances locales et les interactions complexes tout en s'adaptant nativement aux problèmes de classification multi-classes.
Cet article propose une méthode de calibration des essais cliniques qui établit un lien formel entre la signification statistique et clinique, démontrant que les designs standards fournissent une preuve robuste de déséquilibre d'équipe tout en identifiant les limites des résultats incohérents entre les phases 2 et 3.
Cet article propose une nouvelle famille de modèles statistiques pour les comparaisons par paires qui se passe de l'hypothèse de transitivité stochastique, en utilisant une matrice antisymétrique de faible dimension pour capturer des dynamiques complexes et offrir une estimation optimale même avec des données éparses.
Cette étude propose un algorithme de classification SVM ajusté par la covariance utilisant la décomposition de Cholesky pour surmonter les limitations des méthodes traditionnelles dans les espaces non-euclidiens, démontrant ainsi des performances supérieures en termes de précision et de robustesse par rapport aux SVM classiques.
Cet article propose NETCROP, une procédure de validation croisée efficace et précise pour les grands réseaux, qui divise les données en sous-réseaux chevauchants afin de faciliter la sélection de modèles et le réglage des paramètres.
Cet article propose une nouvelle approche pilotée par les données pour optimiser les politiques de tarification et de gestion des stocks en environnement hors ligne, en surmontant les défis posés par la demande censurée et dépendante grâce à l'approximation par des processus de décision markoviens d'ordre élevé et à l'estimation de politiques optimales via des algorithmes inspirés de l'apprentissage par renforcement hors ligne et de l'analyse de survie.
Cet article propose un algorithme adaptatif qui équilibre optimalement les ressources entre l'estimation des statistiques d'oracle et la construction de l'estimateur multi-fidélité, garantissant ainsi une erreur quadratique moyenne comparable à celle de l'estimateur optimal théorique tout en réduisant les coûts computationnels.
Cet article propose un cadre de méta-analyse causale qui, en reformulant l'agrégation des effets pour des mesures non linéaires, permet d'identifier des cas où les méthodes conventionnelles pourraient indiquer à tort qu'un traitement est bénéfique alors qu'il est en réalité nocif.
Ce papier propose un cadre méthodologique pour déterminer empiriquement les variables de personnalisation des interventions adaptatives, en soulignant que bien que les données observationnelles secondaires puissent être utilisées, les essais randomisés d'optimisation fournissent les preuves causales les plus directes pour définir les mesures, les moments et les seuils de décision.
Cet article propose une méthode d'estimation du rapport de densités pour la comparaison de deux échantillons, basée sur des modèles d'arbres additifs optimisés via une nouvelle fonction de perte appelée « balancing loss », qui permet à la fois une inférence bayésienne pour la quantification de l'incertitude et une application efficace à l'évaluation de modèles génératifs sur des données microbiennes.