stat articles | Gist.Science

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Cet article propose une nouvelle méthode robuste, appelée PLOT (Pairwise Last Observation Time), pour évaluer les effets des traitements dans les études longitudinales en présence d'événements intercurrents, en comparant les patients appariés à leur dernière observation avant l'événement, ce qui permet d'éviter les hypothèses structurelles non vérifiables et les violations de positivité.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Absolute indices for determining compactness, separability and number of clusters

Cet article propose de nouveaux indices absolus de validité de clusters, basés sur des fonctions de compacité et de séparabilité, pour déterminer le nombre optimal de clusters et évaluer la qualité des regroupements sur des données synthétiques et réelles.

Adil M. Bagirov, Ramiz M. Aliguliyev, Nargiz Sultanova, Sona TaheriThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Cet article propose des bornes causales non paramétriques pour l'efficacité des vaccins dans les essais randomisés où le masquage est rompu, en relaxant l'hypothèse forte d'absence de causes communes non mesurées entre le risque d'infection et la croyance des participants sur leur traitement.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Empirical Orlicz norms

Cet article établit une loi des grands nombres pour les normes d'Orlicz empiriques, identifie des conditions pour un théorème central limite et révèle que, dans certains cas canoniques comme les variables gaussiennes, la convergence suit un taux non standard de $n^{1/4} \log(n)^{3/8}$ vers une loi stable, démontrant par ailleurs l'absence de taux de convergence uniforme pour la classe des distributions à norme d'Orlicz bornée.

Fabian MiesThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Cet article présente les Modèles Causaux Temporels Augmentés (ATSCM), une approche intégrant la découverte causale neuronale pour modéliser les régimes dynamiques des marchés de l'énergie et permettre des raisonnements contrefactuels sur les prix de l'électricité.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

Cet article propose le modèle TNCM-VAE, une architecture combinant autoencodeurs variationnels et modèles causaux structurels pour générer des séries temporelles financières contrefactuelles respectant les dépendances causales, permettant ainsi des analyses de risque et des tests de stress plus fiables.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Bien que l'extension théorique des jeux normaux causaux aux interactions séquentielles (S-CMAS) soit élégante et prouvée PSPACE-complète, les simulations empiriques démontrent qu'elle n'apporte aucune amélioration du bien-être par rapport à l'équilibre de Stackelberg classique, révélant ainsi l'incompatibilité fondamentale entre les extensions de la théorie des jeux rationnelle et les avantages du raisonnement causal pour les agents IA.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Cet article propose un modèle de bloc signé $\beta$ capable de gérer simultanément les équilibres forts et faibles dans les réseaux hétérogènes, en établissant son identifiabilité, en développant un algorithme d'optimisation efficace et en démontrant la cohérence asymptotique pour l'estimation des probabilités et la détection de communautés.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Cet article propose des variantes de forêts aléatoires basées sur le principe de minimisation du risque maximal (MaxRM) pour améliorer la généralisation hors distribution, en fournissant des algorithmes efficaces, des preuves de consistance statistique et des garanties théoriques pour divers risques, y compris le regret.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

The Bayesian Geometry of Transformer Attention

En construisant des « tunnels de vent bayésiens » où la vraisemblance est connue, cette étude démontre que les transformateurs réalisent un inférence bayésienne rigoureuse grâce à un mécanisme géométrique précis impliquant des flux résiduels et une attention hiérarchique, une capacité que les architectures plates ne peuvent reproduire.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Gradient Dynamics of Attention: How Cross-Entropy Sculpts Bayesian Manifolds

Ce papier établit que l'entraînement par entropie croisée sculpte la géométrie interne des transformateurs via une boucle de rétroaction couplée entre le routage et le contenu, agissant comme une procédure EM à deux échelles de temps qui transforme l'optimisation en raisonnement probabiliste bayésien.

Naman Agarwal, Siddhartha R. Dalal, Vishal MisraThu, 12 Ma📊 stat

Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs

Cet article propose une méthode novatrice d'échantillonnage à partir de densités de Boltzmann non normalisées en utilisant des équations différentielles ordinaires de flux dérivées d'interpolants stochastiques linéaires, où des échantillonneurs de Langevin sont employés pour générer des échantillons intermédiaires et estimer le champ de vitesse, garantissant ainsi une convergence théorique et démontrant une efficacité pratique sur des distributions multimodales complexes et des tâches d'inférence bayésienne.

Chenguang Duan, Yuling Jiao, Gabriele Steidl, Christian Wald, Jerry Zhijian Yang, Ruizhe ZhangThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Cet article propose une méthode de transfert d'apprentissage pour la régression linéaire fonctionnelle basée sur des variables de contrôle, qui améliore l'estimation sans nécessiter le partage de données individuelles tout en établissant un lien théorique inédit avec les approches par offset et en tenant compte des erreurs de lissage inhérentes aux données discrètes.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Error Analysis of Bayesian Inverse Problems with Generative Priors

Cet article présente une analyse d'erreur quantitative pour les problèmes inverses bayésiens utilisant des priors génératifs, démontrant que l'erreur a posteriori hérite du taux de convergence du prior en distance de Wasserstein, tout en validant ces résultats théoriques par des expériences numériques incluant un problème de PDE elliptique.

Bamdad Hosseini, Ziqi HuangThu, 12 Ma📊 stat

Time series forecasting with Hahn Kolmogorov-Arnold networks

Ce papier propose HaKAN, un modèle de prévision de séries temporelles multivariées basé sur les réseaux KAN et des fonctions d'activation polynomiales de Hahn, qui surpasse les méthodes de l'état de l'art en offrant une alternative légère, interprétable et efficace pour capturer les motifs temporels locaux et globaux.

Md Zahidul Hasan, A. Ben Hamza, Nizar BouguilaThu, 12 Ma📊 stat

Singular Bayesian Neural Networks

Cet article propose des réseaux de neurones bayésiens singuliers qui, en paramétrant les poids via une décomposition de rang faible, réduisent considérablement le nombre de paramètres tout en améliorant la calibration, la détection hors distribution et les performances prédictives par rapport aux approches classiques.

Mame Diarra Toure, David A. StephensThu, 12 Ma📊 stat

Emergence of Distortions in High-Dimensional Guided Diffusion Models

En utilisant des outils de physique statistique, cette étude caractérise l'émergence de distorsions dans les modèles de diffusion guidés comme une transition de phase liée au nombre de modes, démontrant que le guidage standard réduit la variance et proposant un nouveau calendrier de guidage avec une fenêtre de guidage négatif pour préserver la diversité tout en maintenant la séparabilité des classes.

Enrico Ventura, Beatrice Achilli, Luca Ambrogioni, Carlo LucibelloThu, 12 Ma📊 stat

Universality of General Spiked Tensor Models

Cet article établit un principe d'universalité pour les modèles de tenseurs épineux asymétriques en démontrant que, sous des hypothèses de moments finis, les limites statistiques et spectrales de l'estimateur de vraisemblance maximale coïncident avec celles du cas gaussien, au-delà du cadre de bruit gaussien traditionnel.

Yanjin Xiang, Zhihua ZhangThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Cet article propose un cadre unifié pour la détection de filigranes dans les grands modèles de langage en ligne, basé sur les processus-e, offrant des garanties de validité à tout moment et améliorant la puissance de détection grâce à des méthodes adaptatives.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

SEED-SET: Scalable Evolving Experimental Design for System-level Ethical Testing

Le papier propose SEED-SET, un cadre de conception expérimentale bayésienne qui combine évaluations objectives et jugements subjectifs des parties prenantes via des processus gaussiens hiérarchiques pour optimiser le test éthique des systèmes autonomes.

Anjali Parashar, Yingke Li, Eric Yang Yu, Fei Chen, James Neidhoefer, Devesh Upadhyay, Chuchu FanThu, 12 Ma📊 stat

← Précédent Suivant →