215 articoli
Il paper presenta AgroDesign, un framework statistico in Python che integra la progettazione sperimentale agricola direttamente nell'analisi computazionale per automatizzare la costruzione di modelli lineari, la selezione degli errori e l'interpretazione dei risultati, garantendo così maggiore coerenza e riproducibilità rispetto ai metodi tradizionali.
Questo articolo propone un innovativo framework di apprendimento attivo adattivo, basato su un modello di degradazione di Wiener e uno schema di campionamento a due stadi, che migliora significativamente l'accuratezza della previsione dell'affidabilità online dell'elettronica satellitare riducendo al contempo i requisiti di dati, come dimostrato da esperimenti numerici e da un caso studio sulla stazione spaziale Tiangong.
Il paper presenta l'MM-test, un metodo di screening privo di distribuzione basato su una statistica di rapporto di verosimiglianza quasi e una procedura knockoff, che supera i metodi esistenti nell'identificare geni variabili spazialmente in dati di trascrittomica spaziale sia bidimensionali che tridimensionali, garantendo al contempo il controllo del tasso di falsi positivi e la coerenza teorica.
Il paper propone un quadro inferenziale bayesiano completo per modelli non normalizzati che supera le limitazioni dei metodi basati su punteggi, trasformando l'inferenza in un problema di classificazione binaria tramite Noise Contrastive Estimation e permettendo un campionamento Gibbs efficiente per la quantificazione dell'incertezza.
Questo articolo propone un quadro unificato per il rilevamento delle anomalie basato sulla surprisal, che riduce il problema alla stima della coda di una distribuzione univariata attraverso stimatori empirici e di valori estremi, dimostrando efficacia anche in presenza di significativa specificazione errata del modello.
Questo articolo presenta un quadro unificato per la fattorizzazione di matrici non negative (NMF) tradizionale e convessa basato su distribuzioni Tweedie e Binomiale Negativa, derivando regole di aggiornamento moltiplicativo tramite algoritmi MM e dimostrandone l'efficacia empirica su dati reali.
Questo articolo presenta un nuovo framework gerarchico multi-task e multi-fidelity per la modellazione surrogata basata su processi gaussiani, che integra informazioni tra compiti correlati e livelli di fedeltà variabili per migliorare l'accuratezza predittiva e la quantificazione dell'incertezza in contesti manifatturieri con dati eterogenei.
Questo articolo propone un disegno di arricchimento adattivo bayesiano che integra dati storici aggregati, come l'effetto medio del trattamento, per guidare raccomandazioni terapeutiche individualizzate e ottimizzare l'efficienza degli studi clinici attraverso analisi intermedie e simulazioni.
Questo studio dimostra come la combinazione strategica di tecniche di divisione del campione e di sintonizzazione degli stimatori delle funzioni di disturbo permetta di ottenere tassi di convergenza minimassimali ottimali per funzionali doppiamente robusti, superando le limitazioni delle stime plug-in e di correzione del bias di primo ordine in condizioni di regolarità ridotta.
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 propone un nuovo framework semiparametrico basato su reti neurali strutturate e sull'apprendimento automatico doppio per stimare gli effetti dei trattamenti nelle piattaforme a due lati, risolvendo il problema del bias causato dall'interferenza algoritmica tra creatori che competono per l'esposizione.
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.
Il paper introduce StablePCA, un framework di apprendimento robusto rispetto alla distribuzione che risolve il problema non convesso dell'estrazione di rappresentazioni latenti condivise da dati multi-sorgente tramite una rilassazione convessa risolta con un algoritmo Mirror-Prox, fornendo garanzie di convergenza globale e condizioni per la precisione della rilassazione.
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 lavoro propone un quadro operativo per i predittori conformali che, andando oltre la semplice copertura marginale, garantisce limiti finiti su metriche critiche come la frequenza di decisione e l'esposizione agli errori attraverso correzioni statistiche per piccoli campioni, audit indipendenti e una caratterizzazione geometrica dei compromessi tra le diverse prestazioni operative.
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.