161 articoli
Questo articolo propone un algoritmo sequenziale basato su test multivariati di tipo Cochran e una procedura bootstrap multi-round per identificare e aggregare gruppi di centri omogenei in studi multicentrici distribuiti, garantendo il recupero della partizione vera in condizioni asintotiche e dimostrando efficacia sia nelle simulazioni che nell'analisi dei dati reali.
Questo studio formalizza le limitazioni fondamentali e le opportunità nell'apprendimento delle equazioni differenziali che governano l'evoluzione delle reti temporali all'interno dei Grafi a Prodotto Dotale Casuali (RDPG), sviluppando un quadro geometrico basato su fibrati principali che collega ambiguità di gauge, dinamica e difficoltà statistica attraverso concetti di olonomia e gap spettrale.
Questo lavoro introduce una teoria minimax per la regressione non parametrica sotto covariate shift, definendo una nuova "funzione di trasferimento" che determina tassi di convergenza variabili (inclusi regimi più veloci del benchmark migliore tra sorgente e target) e dimostra che tali tassi sono raggiungibili da un stimatore adattivo anche per covariate a supporto illimitato.
Il paper propone "Artificial Replay", un nuovo disegno sperimentale che permette di confrontare algoritmi a bandito multi-braccio riutilizzando le traiettorie registrate per ridurre drasticamente i costi di interazione e la varianza dell' stimatore rispetto ai metodi tradizionali.
Questo studio dimostra che l'estimatore di Whittle per i modelli CARMA guidati da processi di Lévy, osservati in istanti di rinnovo, è consistente e asintoticamente normale sotto condizioni molto leggere, grazie alla dimostrazione della normalità asintotica del periodogramma integrato.
Il paper propone un gioco dinamico bayesiano gerarchico per la gestione competitiva di inventario e prezzi in condizioni di informazione incompleta, integrando l'apprendimento sulla domanda e sulle caratteristiche dei rivali con un criterio di "rischio credibile" che bilancia profitti attesi e dispersione predittiva, dimostrando la sua efficacia sia in simulazioni operative che in applicazioni su dati biologici reali.
Questo studio analizza l'estimazione sparsa della matrice di deriva per processi di Ornstein-Uhlenbeck guidati da processi di Lévy basati su osservazioni discrete, dimostrando che gli stimatori Lasso e Slope raggiungono velocità di convergenza minimassimali ottimali e fornendo linee guida pratiche per l'inferenza in sistemi con rumore a salti.
Il paper dimostra che le reti bayesiane fedeli costituiscono un insieme aperto e denso in diverse classi parametriche e non parametriche, confermando che la fedeltà è una proprietà "tipica" e garantendo la consistenza degli algoritmi di scoperta causale basati su vincoli come PC e FCI.
Questo studio propone una valutazione priva di arbitraggio per le riassicurazioni contro i disastri naturali basate su un processo di contagio dinamico composto, utilizzando la trasformata di Esscher per determinare i premi in un contesto di rischi emergenti come i cambiamenti climatici e le pandemie.
Questo lavoro migliora la comprensione teorica del Flow Matching fornendo una nuova analisi delle condizioni che controllano la dipendenza dalla costante di Lipschitz e derivando un tasso di convergenza per la distanza di Wasserstein 1 che supera i risultati precedenti in contesti ad alta dimensionalità, senza richiedere l'assunzione di log-concavità.
Questo articolo deriva nuovi risultati asintotici per l'estimatore Adaptive LASSO in regressioni di cointegrazione con regressori locali all'unità, proponendo regioni di confidenza uniformemente valide e facilmente implementabili che superano i limiti delle tradizionali regioni basate sulla proprietà oracle, come dimostrato da simulazioni e un'applicazione empirica sul tasso di disoccupazione statunitense.
Il lavoro stabilisce soglie information-theoretic ottimali per il rilevamento della geometria latente in grafi geometrici casuali bipartiti con osservazioni rumorose, dimostrando che il problema è significativamente più semplice quando la maschera di rumore è nota e risolvendo il divario computazionale-statistico grazie a un nuovo quadro analitico basato sulla trasformata di Fourier.
Questo lavoro colma una lacuna nella teoria asintotica di Laplace in alta dimensione fornendo espansioni esplicite con limiti di errore quantitativi validi fino alla soglia di concentrazione , permettendo così approssimazioni analitiche per le aspettative e costruzioni di trasporti polinomiali efficienti per densità concentranti.
Questo articolo propone un framework di regressione ridge funzionale basato sulla partizione che, decomponendo la funzione dei coefficienti in effetti dominanti e deboli per applicare penalizzazioni differenziali, risolve problemi di multicollinearità e sovrapposizione nei modelli lineari funzionali ad alta dimensionalità migliorando stabilità numerica, interpretabilità e prestazioni predittive.
Questo articolo estende la previsione e-conforme per gestire la presenza di confondimento osservato tra l'oggetto casuale e l'etichetta, considerando sia scenari con dati indipendenti e identicamente distribuiti (IID) sia casi che ammettono dipendenze tra le osservazioni.
Questo articolo propone e analizza due stimatori di reti neurali profonde basati sul principio della minima entropia dell'errore per la regressione non parametrica da osservazioni fortemente dipendenti, dimostrando che entrambi raggiungono il tasso di convergenza minimasso ottimale per classi di funzioni Hölder e composte.
Questo articolo introduce l'estimatore "outrigger" per la regressione polinomiale locale, un metodo adattivo che utilizza la funzione di punteggio condizionale degli errori e una finestra di dati più ampia per ottenere prestazioni ottimali su diverse distribuzioni degli errori, superando i limiti degli stimatori standard basati su assunzioni gaussiane senza richiedere ipotesi strutturali aggiuntive.
Questo studio dimostra che le decisioni di approvazione basate su indici di capacità del processo (come ) vicino a soglie fisse sono intrinsecamente instabili in campioni finiti, rivelando un rischio decisionale significativo e non trascurabile anche in condizioni ideali.
Questo articolo propone un nuovo metodo di inferenza semi-modulare bayesiana per i modelli di copula che assegna un parametro di influenza individuale a ciascuna margine per gestire la loro potenziale errata specificazione, ottimizzando tali parametri tramite ottimizzazione bayesiana e dimostrando l'efficacia dell'approccio su dati simulati e reali.
Questo articolo amplia la teoria e l'inferenza della distribuzione Unit Teissier fornendo nuove espressioni analitiche per momenti e L-momenti, caratterizzazioni basate su momenti troncati, una valutazione comparativa estesa di molteplici metodi di stima attraverso simulazioni e l'applicazione a un dataset reale.