219 articoli
Il documento propone il LAE-EnKF, un nuovo filtro di Kalman basato su autoencoder latenti che riformula l'assimilazione dei dati in uno spazio latente a dinamica lineare e stabile, superando i limiti di non linearità del filtro di Kalman standard e garantendo maggiore accuratezza e stabilità nei sistemi caotici.
Il paper introduce CREDO, un metodo che combina envelope credali interpretabili con la calibrazione conformale per generare intervalli di previsione per la regressione che garantiscono una copertura valida e decomponibile in rumore aleatorio, inflazione epistemica e slack di calibrazione.
Questo articolo formalizza l'obiettivo di dimostrare l'efficacia di almeno un intervento in esperimenti adattivi attraverso un framework a bandit multi-braccio, sviluppando procedure di inferenza anytime-valid e un algoritmo di allocazione adattiva con limite di rimpianto logaritmico.
Questo lavoro propone un nuovo approccio di regressione Fréchet per risposte distributive multivariate basato sulla famiglia nonparanormale e sulla metrica NPT, che supera le sfide computazionali e statistiche decomponendo il problema in regressioni separate per i margini e la struttura di dipendenza, garantendo allo stesso tempo convergenza uniforme e interpretazione granulare.
Il paper "TEA-Time" sviluppa un quadro metodologico per l'estrapolazione temporale degli effetti dei trattamenti, proponendo due strategie di identificazione e stimatori efficienti per calcolare l'effetto medio del trattamento trasportato (TATE) in periodi non sperimentati, come dimostrato da simulazioni e applicazioni su dati reali.
Il documento propone un quadro di calibrazione unificato che integra informazioni eterogenee, come dati ausiliari e modelli predittivi, negli esperimenti randomizzati adattivi ai covariati per ottenere stime più precise degli effetti del trattamento garantendo al contempo validità statistica e un'efficienza asintotica non inferiore.
Il paper presenta metodi di "engression" spaziotemporale profonda per generare previsioni probabilistiche affidabili sulle epidemie, quantificando l'incertezza endogenamente e superando i modelli esistenti su diversi dataset epidemiologici.
Questo articolo propone un metodo avanzato di regressione rango-rango condizionata basato su modelli di trasformazione profonda (DCTM) per misurare la mobilità intergenerazionale, offrendo stime più robuste e interpretabili rispetto alle tecniche tradizionali in scenari non lineari e con variabili discrete, come dimostrato da applicazioni empiriche su reddito negli USA e mobilità educativa in India.
Questo articolo propone un metodo di stima della densità non parametrica per dati composizionali sul simplex con dati mancanti, basato su un kernel di Dirichlet adattivo e pesatura per probabilità inversa, che dimostra prestazioni superiori rispetto alle trasformazioni log-ratio e viene applicato con successo ai dati di composizione dei leucociti dell'indagine NHANES.
Questo monografia offre una panoramica rigorosa degli aspetti teorici e metodologici dell'inferenza probabilistica e dell'apprendimento con il metodo di Stein, fornendo ricette per costruire discrepanze di Stein, discutendone le proprietà e dettagliando la connessione con la discesa del gradiente variazionale di Stein.
Questo articolo propone un approccio basato su modelli per isolare e tracciare gli effetti specifici degli algoritmi di controllo intelligente sul consumo energetico degli edifici, superando le limitazioni dei metodi tradizionali nel distinguere tali effetti dai cambiamenti non correlati, come dimostrato su dati reali di dieci anni provenienti dalla piattaforma Danfoss Leanheat.
Questo lavoro introduce la PDGC, un metodo basato sulla decomposizione parziale dell'informazione che, applicando la causalità di Granger spettrale a reti fisiologiche, permette di distinguere effetti unici, ridondanti e sinergici nelle interazioni causali, rivelando nuovi meccanismi di disfunzione autonoma legati al controllo simpatico.
Il documento presenta TV-Select, un nuovo quadro unificato che combina penalizzazione di gruppo e regolarizzazione per selezionare simultaneamente le variabili rilevanti e determinare se i loro effetti nei modelli longitudinali sono costanti o variabili nel tempo, migliorando così l'accuratezza strutturale e le prestazioni predittive rispetto ai metodi esistenti.
Questo articolo sviluppa una teoria di inferenza statistica post-hoc in ambito asintotico per grandi campioni, introducendo procedure che, a differenza dei metodi non asintotici basati sui valori-e, richiedono assunzioni più deboli e offrono risultati più precisi consentendo livelli di significatività dipendenti dai dati.
Questo articolo unifica i metodi di riduzione della varianza per la valutazione on-policy e off-policy, dimostrando l'equivalenza matematica tra gli stimatori standard di differenza di medie e quelli di punteggio di propensione inversa, nonché tra le tecniche di aggiustamento tramite regressione e la stima robusta doppia.
Il documento propone un metodo di stima minimax per i coefficienti funzionali del modello a coefficienti variabili basato su serie di Laguerre, dimostrando la sua ottimalità asintotica, la normalità dell'estimatore e le sue prestazioni superiori rispetto ad approcci esistenti sia in simulazioni che su dati reali.
Questo articolo propone due nuove misure probabilistiche, il Tasso di Riproducibilità (RR) e il Tasso di Falsa Irriproducibilità (FIR), per quantificare e guidare la verifica delle associazioni genetiche positive negli studi di associazione genome-wide (GWAS) attraverso studi di replicazione.
Questo articolo propone un nuovo metodo di analisi congiunta basato sui dati di sintesi, denominato Jlfdr, che dimostra di essere più potente delle tradizionali tecniche di meta-analisi nel controllare il tasso di falsi scoperte locali congiunti, specialmente quando si analizzano dataset eterogenei provenienti da più studi di associazione genome-wide (GWAS).
Questo studio analizza le distribuzioni tagliate da un punto di vista asintotico, dimostrando un teorema di Bernstein-von Mises e proponendo un algoritmo basato sul Posterior Bootstrap che garantisce una copertura asintotica frequente nominale per le regioni di credibilità, offrendo una soluzione robusta alla propagazione dell'errore di specificazione nei modelli bayesiani modulari.
Il documento fornisce una caratterizzazione analitica della flessibilità del metodo del controllo sintetico in termini di gradi di libertà, introducendo criteri di informazione stimabili che migliorano la selezione del modello rispetto alla convalida incrociata, come dimostrato dall'applicazione alla razionalizzazione delle targhe automobilistiche a Tianjin.