222 articoli
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 propone cc-Shapley, un metodo che integra la conoscenza causale nei valori di Shapley per correggere le distorsioni indotte da bias di collisore e soppressione, garantendo così attribuzioni di importanza delle feature più affidabili e prive di associazioni spurie.
Questo studio introduce nuovi metodi di inferenza causale prossimale per stimare l'efficacia relativa al placebo di un farmaco per la prevenzione dell'HIV, utilizzando dati di controllo esterni e affrontando sfide come le differenze di rischio non misurate e i bassi tassi di incidenza.
Questo articolo propone un quadro metodologico completo per la selezione delle variabili nell'imputazione tramite regressione lineare nei sondaggi, definendo un modello ottimale basato su una funzione di perdita oracle e sviluppando intervalli di confidenza asintoticamente validi che rimangono robusti anche in presenza di modelli specificati in modo errato.
Il paper introduce KRAFTY, un metodo innovativo basato sulla matrice di Khatri-Rao trasposta per il recupero della struttura di cluster congiunti in dati multi-vista, che supera i metodi esistenti in termini di accuratezza e selezione del modello grazie alla capacità di rappresentare i cluster in sottospazi ortogonali.
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.
Il paper presenta un emulatore multi-fiducia basato su decomposizione tensoriale e processi gaussiani che integra dati a bassa e alta fedeltà per creare modelli surrogati scalabili ed efficienti, riducendo significativamente i costi computazionali e migliorando l'accuratezza predittiva nella simulazione della dinamica del ghiaccio marino artico.
Questo articolo propone un metodo di stima robusto per i processi di diffusione basati su dati ad alta frequenza, utilizzando la divergenza per mitigare l'impatto degli outlier e ne analizza le proprietà asintotiche e la funzione di influenza condizionata.
Il documento propone un approccio unificato basato sull'Analisi delle Componenti Simultanea ANOVA (ASCA) per modellare e interpretare la ciclostazionalità nei dati temporali multivariati, superando i limiti delle tradizionali analisi di varianza e dimostrando l'efficacia del metodo attraverso studi su temperature lacustri e pollini atmosferici.
Questo articolo propone una nuova carta di controllo per il monitoraggio della covarianza nei profili multicanale basata su modelli grafici funzionali, capace di rilevare cambiamenti sottili e sparsi nella struttura di dipendenza condizionale tra i profili, superando i limiti dei metodi tradizionali focalizzati solo sulla media.
Il paper introduce TS-BOSS, un metodo scalabile basato sulla ricerca di ordinamenti ottimali per l'apprendimento della struttura causale nelle serie temporali multivariate, che combina alberi grow-shrink per l'efficienza computazionale e garantisce prestazioni superiori rispetto ai metodi basati su vincoli, specialmente in regimi ad alta autocorrelazione.
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.
Il documento presenta il Metodo del Chi-Quadrato Discreto (DCM), un approccio basato sui minimi quadrati e privo delle limitazioni della trasformata di Fourier, che dimostra di essere in grado di modellare e prevedere con successo serie temporali complesse come i dati di El Niño dal 1870 al 2024, sfruttando l'effetto della dimensione della finestra per garantire accuratezza anche con campioni ridotti.
Questo lavoro propone un quadro statistico unificato che dimostra come l'aumento sintetico nei dati sbilanciati non sia sempre vantaggioso, identificando le condizioni in cui può danneggiare le prestazioni e introducendo una strategia pratica (VTSS) per ottimizzare la quantità di campioni sintetici da generare.
Questo articolo propone un nuovo paradigma per l'apprendimento causale che integra piattaforme di crowdsourcing, modelli di esperti umani e agenti LLM in un framework distribuito per sintetizzare conoscenze frammentarie e ricostruire strutture causali globali altrimenti irraggiungibili.
Questo articolo propone una strategia adattiva per la selezione dei parametri negli algoritmi di discesa del gradiente basati su kernel, che integra l'analisi bias-varianza con il metodo di splitting e la dimensione empirica efficace, garantendo teoricamente un errore di generalizzazione ottimale e un adattamento superiore rispetto ai metodi esistenti.
Il paper introduce CausalMix, un framework generativo variazionale che colma il divario tra realismo distributivo e controllabilità causale nella sintesi di dati tabellari misti, permettendo la manipolazione indipendente di sovrapposizione, confondimento ed eterogeneità degli effetti per validare studi causali e analisi di potenza.
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.
Il documento presenta il Criterio Informativo Pivotal (PIC), un metodo di selezione del modello che risolve i limiti dei criteri tradizionali attraverso un'ottimizzazione continua e una penalità adattiva basata su una statistica asintoticamente pivotale, garantendo così una migliore identificazione della struttura reale dei dati e una ridotta complessità del modello.
Questo lavoro introduce una nuova nozione quantitativa di privacy basata sulla teoria decisionale bayesiana, che supera i limiti della privacy differenziale e della teoria della divulgazione statistica adottando una prospettiva a priori per le decisioni di divulgazione.