158 articoli
Il paper propone e valida due varianti di campionamento slice geodetico per distribuzioni sulla sfera, dimostrando che l'approccio basato su restringimento è privo di parametri di taratura, uniformemente ergodico e superiore ai metodi standard come Metropolis-Hastings e Hamiltonian Monte Carlo in scenari complessi.
Questo articolo sviluppa una formula di espansione asintotica per la probabilità di copertura del bootstrap in dimensioni elevate, dimostrando che il bootstrap selvaggio con corrispondenza del terzo momento raggiunge una precisione di secondo ordine anche senza studentizzazione sotto specifiche condizioni di covarianza, spiegando così il vantaggio empirico osservato rispetto all'approssimazione normale.
Questo articolo esamina la stabilità distribuzionale degli stimatori sparsi della matrice di precisione, derivando un limite locale di Lipschitz esplicito per la distanza tra le distribuzioni degli stimatori sotto dati originali e contaminati, misurata tramite la metrica di Kantorovich.
Il paper propone l'Adaptive Transfer Clustering (ATC), un framework unificato che ottimizza la decomposizione bias-varianza per sfruttare automaticamente le similarità tra un dataset principale e uno ausiliario, garantendo prestazioni ottimali in modelli statistici come le miscele gaussiane e i modelli a blocchi stocastici.
Il documento propone DR-FoS, un nuovo metodo a doppia robustezza per stimare l'effetto medio del trattamento funzionale (FATE) in studi osservazionali con dati complessi, garantendo inferenze valide e dimostrando efficacia sia in simulazioni che nell'applicazione al dataset SHARE.
Questo articolo presenta un nuovo algoritmo che, sfruttando la struttura ad albero di una famiglia di riferimento, calcola in modo efficiente (con complessità ) un'intera curva di limiti di confidenza post-hoc per la proporzione di falsi scoperti lungo una sequenza di insiemi di ipotesi crescenti.
Questo articolo sviluppa stimatori GMM e M e ne dimostra la consistenza e la normalità asintotica per dati dipendenti da reti, costruendo una nuova legge uniforme dei grandi numeri che estende i risultati di Kojevnikov, Marmer e Song (2021) e fornendo procedure pratiche per l'inferenza.
Il documento presenta l'estimatore di completamento tensoriale di Poisson (PTC), che sfrutta le relazioni inter-campioni per decomporre l'istogramma delle frequenze in un processo di Poisson non omogeneo a basso rango, garantendo stime non negative e superando significativamente gli estimatori basati su istogrammi tradizionali per distribuzioni sub-Gaussiane.
Questo articolo introduce il coefficiente di correlazione della divergenza (c-delta), una nuova misura statistica che quantifica la somiglianza dei pattern di divergenza interna tra due gruppi di valori, offrendo un approccio alternativo ai coefficienti di correlazione tradizionali per analizzare la struttura della variabilità in campi come la fisica quantistica, la genetica e l'apprendimento automatico.
Il paper propone Sigmoid-FTRL, un metodo di progettazione sperimentale adattiva che risolve la non convessità nell'allocazione di Neyman per stimatori AIPW minimizzando due rimpianti convessi, garantendo un tasso di convergenza minimax ottimale e inferenza asintoticamente valida.
Questo articolo sviluppa un quadro di analisi non standard per le misure di rischio coerenti e i loro stimatori, fornendo rappresentazioni iperfinite, formule discrete di Kusuoka e risultati di consistenza e normalità asintotica che collegano in modo trasparente la teoria della probabilità alla statistica.
Questo articolo propone nuove procedure di randomizzazione adattiva alle covariate che bilanciano i fattori specifici tra i trattamenti senza inflazionare la varianza delle covariate non specificate, garantendo così la validità dei test statistici ed evitando il "problema dello spostamento" identificato da Liu, Hu e Ma (2025).
Questo articolo formalizza la dipendenza dall'ordine dello stimatore della deviazione standard basato sulla media dei range mobili, decomponendo la sua varianza totale in componenti legate ai valori e all'adiacenza, dimostrando che sotto campionamento normale la perdita di efficienza rispetto allo stimatore classico è quasi interamente attribuibile all'effetto dell'ordine.
Questo lavoro propone un modello scalabile di processi gaussiani multitask con covariate funzionali, che sfrutta una struttura di kernel separabile e la proprietà di Kronecker per gestire efficientemente sistemi meccanici complessi, offrendo previsioni accurate con intervalli di confidenza anche con pochi campioni e superando le prestazioni dei modelli a task singolo.
Il paper sviluppa un quadro termodinamico per l'inferenza asintotica in cui l'informazione di Shannon agisce come entropia, unificando concetti fisici e statistici per derivare limiti fondamentali, percorsi ottimali e relazioni note come proiezioni di una struttura termodinamica sottostante.
Questo lavoro stabilisce tassi di convergenza minimax ottimali per un classificatore binario basato su percorsi di SDE con coefficienti di deriva e diffusione dipendenti dallo spazio, dimostrando che, in condizioni di basso rumore, il tasso di convergenza è più veloce rispetto ai modelli precedenti grazie a una nuova disuguaglianza esponenziale e all'analisi del limite inferiore del rischio in eccesso.
Il paper presenta RACER, un metodo di instradamento per i grandi modelli linguistici che, formulando il problema come -VOR e utilizzando limiti di concentrazione finiti per la calibrazione, garantisce un controllo rigoroso del rischio di errore distribuendo le query su insiemi di modelli per migliorare l'accuratezza e gestire l'incertezza.
Il documento propone un nuovo stimatore della divergenza di Kullback-Leibler basato sull'entropia di Shannon e sull'approccio k-NN per sviluppare un test di bontà di adattamento che, nelle simulazioni, dimostra un controllo accurato dell'errore di Tipo I e una potenza superiore rispetto ai test di normalità multivariata convenzionali, specialmente in dimensioni elevate.
Questo articolo formalizza l'obiettivo di dimostrare l'efficacia di almeno un intervento in esperimenti adattivi attraverso un framework a bandit multi-braccio, sviluppando procedure di inferenza anytime-valid e un algoritmo di allocazione adattiva con limite di rimpianto logaritmico.
Questo lavoro propone un nuovo approccio di regressione Fréchet per risposte distributive multivariate basato sulla famiglia nonparanormale e sulla metrica NPT, che supera le sfide computazionali e statistiche decomponendo il problema in regressioni separate per i margini e la struttura di dipendenza, garantendo allo stesso tempo convergenza uniforme e interpretazione granulare.