100 articoli
Questo articolo propone un nuovo stimatore robusto per la correlazione policonica che, minimizzando una funzione di perdita basata sulla divergenza tra frequenze osservate e teoriche, supera i limiti della massima verosimiglianza di fronte a violazioni delle assunzioni di normalità latente e alla presenza di rispondenti negligenti, garantendo consistenza, distribuzione asintotica normale e costi computazionali equivalenti.
Questo articolo presenta un sistema di difesa aerea integrato basato su agenti che utilizza l'architettura BDI e il ragionamento sui piani per automatizzare completamente le funzioni di comando e controllo, come il rilevamento, la valutazione delle minacce e l'allocazione delle armi, senza necessità di input manuali.
Questo articolo presenta un approccio bayesiano per sintetizzare dati pubblici e modellare la trasmissione di SARS-CoV-2, permettendo di stimare il numero totale di infezioni, valutare l'impatto della mobilità e confrontare metodi di inferenza come Hamiltonian Monte Carlo rispetto alla variational Bayes per supportare le decisioni durante la pandemia.
Questo articolo propone un approccio robusto e flessibile per l'estrapolazione della sopravvivenza, basato su modelli parametrici polihazard e sull'uso del transfer learning per ancorare le proiezioni a dati demografici, al fine di stimare in modo stabile la sopravvivenza media in contesti clinici complessi come il cancro al seno, l'aritmia cardiaca e il melanoma avanzato.
Il documento dimostra che una miscela di distribuzioni di Wishart non centrali con gli stessi gradi di libertà risulta essa stessa una distribuzione di Wishart non centrale, estendendo un precedente risultato al caso multivariato e applicando tale proprietà per derivare la distribuzione esatta di test statistici per effetti casuali in modelli di disegno fattoriale con dati normali multidimensionali.
Il paper introduce CITS, un framework non parametrico per l'inferenza causale da serie temporali neurali ad alta risoluzione che supera i limiti dei metodi esistenti, offrendo risultati teoricamente fondati e empiricamente validati per scoprire reti causali interpretabili sia in simulazioni che in registrazioni cerebrali su larga scala.
Questo articolo estende il modello statistico wgsLR per l'analisi forense del DNA mediante sequenziamento shotgun, permettendo di gestire probabilità di errore di genotipizzazione asimmetriche e sconosciute tra campioni traccia e di riferimento, e dimostra la robustezza del modello e la sua implementazione nel pacchetto R omonimo.
Il paper introduce BLAST, un framework di apprendimento trasferito bayesiano per la regressione lineare ad alta dimensionalità che combina shrinkage adattivo e selezione delle fonti per migliorare l'inferenza e la quantificazione dell'incertezza, riducendo al contempo il trasferimento negativo.
Il paper introduce ForeComp, un pacchetto R che facilita il confronto dell'accuratezza predittiva mediante test di Diebold-Mariano con inferenza a smoothing fisso, offrendo strumenti diagnostici e dimostrando le proprie applicazioni attraverso dati reali e simulazioni Monte Carlo.
Questo studio dimostra che trasformare i predittori macroeconomici in indicatori binari di "rischio" basato su soglie migliora significativamente la previsione delle recessioni statunitensi, rendendo i modelli lineari competitivi con metodi di apprendimento automatico complessi.
Questo studio utilizza un approccio di ottimizzazione inversa su un processo decisionale di Markov per dimostrare che le scelte dei coach della NFL sul quarto down riflettono preferenze di rischio conservatrici che sono aumentate nel tempo e variano in base alla posizione in campo.
Il documento presenta il modello BHARP, un approccio bayesiano gerarchico che utilizza partizioni casuali adattive per identificare l'eterogeneità dell'effetto del trattamento e stimare risposte specifiche per sottogruppo negli studi clinici di arricchimento adattivo, superando i limiti dei metodi esistenti in termini di flessibilità e gestione dell'incertezza del modello.
Questo articolo propone un quadro non parametrico sequenziale basato su e-valori per condurre backtest comparativi di misure di rischio elicibili, offrendo inferenze valide in ogni momento e robuste rispetto alla dipendenza e alla specificazione errata del modello.
Questo studio introduce un modello nascosto di Markov penalizzato con lasso per quantificare le risposte comportamentali alla perturbazione, applicandolo ai narvali per dimostrare che reagiscono alla presenza di navi fino a 4 km di distanza riducendo la persistenza del movimento e frequentando acque più profonde.
Questo articolo propone e valida un nuovo stimatore statistico normalizzato per quantificare la segmentazione di una rete come frazione di comunicazioni tra nodi disallowate, dimostrando che un campione di 97 coppie di nodi è sufficiente per ottenere una stima accurata con un margine di errore del ±0,1, indipendentemente dalla dimensione totale della rete.
Questo studio analizza i tempi di arresto totali della congettura di Collatz attraverso una prospettiva di apprendimento automatico probabilistico, confrontando un modello di regressione gerarchica bayesiana con un'approssimazione generativa meccanica e dimostrando che la struttura modulare a basso ordine è un fattore chiave nell'eterogeneità osservata.
Questo studio presenta un framework basato su un ensemble di modelli ConvLSTM che, utilizzando dati spaziotemporali eterogenei, supera le prestazioni dei modelli tradizionali nel prevedere il rischio di incidenti stradali legati alle condizioni meteorologiche, con particolare efficacia nelle zone ad alto rischio.
Questo studio propone una strategia di continuazione analitica basata su serie, che utilizza l'approssimazione di Padé sull'espansione dei cumulanti per precalcolare accuratamente la pre-distorsione necessaria nel processo autoregressivo, permettendo così una simulazione rapida e precisa di clutter radar non gaussiano.
Questo articolo introduce i processi supOU su grafo guidati da processi di Lévy come modello parametrico parsimonioso per serie temporali ad alta dimensionalità che uniscono dipendenze a breve e lungo termine, sviluppando un metodo di stima basato sui momenti generalizzati e validandone l'efficacia sia tramite simulazioni che in un'applicazione empirica sui fattori di capacità eolica in una rete elettrica europea.
Questo articolo introduce nuove proprietà e approssimazioni per la distribuzione normale isotropa proiettata, dimostrando la sua rilevanza nell'analisi delle fasi dei segnali EEG registrati durante stimolazioni luminose.