38 articoli
Questo lavoro presenta un'implementazione Python di strumenti geometrici per l'analisi delle forme 3D nello spazio di Kendall, colmando il divario tra la teoria geometrica e le applicazioni pratiche integrando funzionalità specializzate mancanti nella libreria Geomstats.
Il paper "ForwardFlow" propone un metodo di inferenza statistica basato su simulazioni e un'unica rete neurale che risolve il problema inverso di stima dei parametri, dimostrando in simulazioni proprietà come l'esattezza su campioni finiti, la robustezza ai dati contaminati e la capacità di approssimare algoritmi complessi come l'EM.
Questo articolo propone un stimatore bayesiano gerarchico per la varianza nella stratificazione fine, dimostrando attraverso simulazioni e analisi di dati reali che esso supera le prestazioni degli stimatori esistenti riducendo sia il bias che l'errore quadratico medio.
Il documento presenta `afttest`, un pacchetto R che implementa procedure diagnostiche basate sui residui martingala per i modelli semiparametrici di tempo accelerato di fallimento, introducendo una nuova strategia di ricampionamento basata sull'approssimazione lineare della funzione di influenza che riduce significativamente i tempi di calcolo rispetto al bootstrap moltiplicatore tradizionale mantenendo la validità asintotica.
Questo articolo presenta due strategie di localizzazione per l'assimilazione di dati basata su SMCMC, un metodo sequenziale che evita la degenerazione dei pesi tipica dei filtri a particelle, dimostrando la sua efficacia ed efficienza nel filtraggio di modelli geofisici non lineari e non gaussiani ad alta dimensionalità, inclusi casi con rumore pesante e dati reali della missione SWOT.
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.
Questo articolo presenta un nuovo metodo di stima per modelli ad effetti misti non lineari che utilizza penalized splines e differenziazione automatica tramite Template Model Builder per migliorare le prestazioni inferenziali e ridurre il carico computazionale, come dimostrato sia in simulazioni che in uno studio di caso sulla crescita infantile.
Questo articolo propone un nuovo approccio per la progettazione sperimentale bayesiana ottimale in batch, basato sui flussi gradiente di Wasserstein e su una regolarizzazione entropica, che permette di ottenere politiche di design randomizzate o deterministiche scalabili anche in paesaggi di ottimizzazione complessi e non convessi.
Questo lavoro presenta un'analisi probabilistica degli errori di arrotondamento in aritmetica in virgola mobile che, rendendo esplicito il parametro di confidenza e incorporando la varianza e il bias dei modelli di errore, fornisce limiti più accurati rispetto alle teorie deterministiche, specialmente nei regimi a bassa precisione.
Questo articolo presenta un quadro unificante che collega l'HMC e i processi stocastici deterministici a tratti (PDMP) attraverso dinamiche hamiltoniane "rimbalzanti", permettendo la costruzione di proposte Metropolis senza rifiuto che combinano le proprietà di entrambi gli approcci e offrono prestazioni competitive su problemi Bayesiani su larga scala.
Questo articolo presenta un modello di regressione a processo gaussiano multilivello per dati funzionali su griglie regolari, che deriva espressioni analitiche efficienti per la verosimiglianza e le distribuzioni posteriori, consentendo l'analisi di grandi dataset tramite l'implementazione in Stan con una velocità superiore di diversi ordini di grandezza rispetto ai metodi standard.
Lo studio propone DisSim-FinBERT, un nuovo framework che integra la semplificazione discorsiva con l'analisi del sentiment basata sugli aspetti per migliorare l'estrazione dei messaggi chiave e la previsione del sentiment in testi finanziari complessi come i verbali del FOMC.
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.
Questo studio presenta un modello basato su reti per la gestione della macchia fogliare ad occhio di rana nel soia, dimostrando che l'uso di tecniche di approssimazione bayesiana e la rimozione mirata precoce delle piante infette offrono strategie di controllo più efficaci rispetto ai modelli tradizionali o alla rimozione casuale.
Questo articolo presenta un approccio bayesiano non parametrico per l'apprendimento di miscele finite con componenti non parametriche, fornendo condizioni di identificabilità, dimostrando la contrazione posteriore delle densità con una velocità quasi polinomiale e sviluppando un algoritmo MCMC efficiente per l'inferenza su dati complessi.
Il paper introduce Latent-IMH, un metodo di campionamento bayesiano efficiente per problemi inversi lineari con operatori costosi, che utilizza un'approssimazione offline per generare variabili latenti e un'affinamento esatto, risultando teoricamente e numericamente superiore a metodi esistenti come NUTS in termini di velocità computazionale.
Il paper propone un nuovo metodo di regressione Least Trimmed Squares che è robusto sia agli outlier a livello di caso che a livello di cella, gestisce i valori mancanti e permette previsioni robuste fuori campione.
Questo lavoro presenta un framework computazionale basato su un metodo Monte Carlo per analizzare le distribuzioni stazionarie e la stabilità di equazioni differenziali stocastiche con incertezze parametriche e sovrapposizioni, applicandolo con successo al modello preda-predatore di Rosenzweig-McArthur per caratterizzare le sue distribuzioni stazionarie multimodali e le regioni di stabilità.