220 articoli
Questo articolo propone tre algoritmi scalabili basati su Variational Bayes e Expectation Propagation per l'inferenza approssimata nei modelli di regressione probit cumulativa, offrendo prestazioni computazionali superiori e un'accuratezza notevole rispetto ai metodi MCMC tradizionali, come dimostrato anche in uno studio di caso sulla struttura di una rete criminale.
Questo studio valuta sistematicamente le capacità dei modelli LLM (GPT e Gemini) di generare disegni fattoriali frazionari a due livelli, dimostrando che sono in grado di costruire disegni ottimali fino a otto fattori con 8, 16 o 32 esecuzioni, sebbene le prestazioni diminuiscano per un numero maggiore di fattori.
Il paper propone un approccio bayesiano a due stadi che integra l'identificazione dei sottogruppi con l'inferenza sugli effetti del trattamento, incorporando l'incertezza del modello per ottenere intervalli di confidenza meglio calibrati rispetto ai metodi tradizionali, come dimostrato tramite simulazioni e un'applicazione a un trial clinico internazionale sul COVID-19.
Questo studio dimostra che, sebbene i modelli di accumulo evolutivo assumano l'irreversibilità delle caratteristiche, possono comunque fornire stime affidabili sull'ordine temporale di acquisizione e sulla struttura dinamica dei percorsi evolutivi anche in scenari reali reversibili, pur presentando limiti nella stima dell'incertezza e delle interazioni.
Il paper dimostra che l'uso di generatori di numeri casuali basati su seed nello stato compromette la validità causale nelle simulazioni di modelli basati su agenti quando i percorsi di esecuzione cambiano, e propone l'adozione di generatori basati su contatori combinati con identificatori di eventi per garantire un'associazione stabile e causalmente coerente tra gli input stocastici e gli eventi simulati.
Il paper propone CausalTimePrior, un framework innovativo per generare dati sintetici temporali con obiettivi interventionali, permettendo così di addestrare modelli fondazione per l'inferenza causale su serie temporali.
Questo articolo propone un framework di regressione ridge funzionale basato sulla partizione che, decomponendo la funzione dei coefficienti in effetti dominanti e deboli per applicare penalizzazioni differenziali, risolve problemi di multicollinearità e sovrapposizione nei modelli lineari funzionali ad alta dimensionalità migliorando stabilità numerica, interpretabilità e prestazioni predittive.
Il paper propone un modello stocastico in tempo continuo e un metodo di bootstrap per stimare la distribuzione predittiva delle riserve IBNR secondo l'approccio di Schnieper, garantendo coerenza con le sue ipotesi fondamentali e gestendo naturalmente asimmetrie e vincoli di non negatività.
Questo articolo introduce l'estimatore "outrigger" per la regressione polinomiale locale, un metodo adattivo che utilizza la funzione di punteggio condizionale degli errori e una finestra di dati più ampia per ottenere prestazioni ottimali su diverse distribuzioni degli errori, superando i limiti degli stimatori standard basati su assunzioni gaussiane senza richiedere ipotesi strutturali aggiuntive.
Questo lavoro introduce il framework wcPCA per le approssimazioni di rango inferiore robuste agli spostamenti distribuzionali, dimostrando la loro ottimalità nel caso peggiore su domini target e applicandole con successo a problemi come la completazione di matrici e flussi ecosistemici.
Il paper propone un stimatore doppiamente robusto con correzione della varianza jackknife HAC per garantire inferenze spaziali valide e intervalli di confidenza stabili in presenza di etichette mancanti a caso e dipendenza spaziale, risolvendo il problema della distorsione statistica indotta dal cross-fitting.
Il paper propone un metodo di Analisi delle Componenti Principali Funzionali Multivariate per dati misti (FPCA), basato su un modello di copula gaussiana semiparametrico, che integra dati mHealth eterogenei per identificare biomarcatori digitali e stratificare i sottotipi di disturbi dell'umore analizzando i pattern temporali condivisi.
Questo articolo propone un nuovo metodo di inferenza semi-modulare bayesiana per i modelli di copula che assegna un parametro di influenza individuale a ciascuna margine per gestire la loro potenziale errata specificazione, ottimizzando tali parametri tramite ottimizzazione bayesiana e dimostrando l'efficacia dell'approccio su dati simulati e reali.
Questo articolo propone un nuovo framework di apprendimento per trasferimento per l'analisi di sopravvivenza che migliora le previsioni trasferendo conoscenze predittive anziché distributive, eliminando la necessità di accedere ai dati sorgente individuali e garantendo proprietà asintotiche superiori rispetto agli estimatori basati solo sui dati target.
Questo articolo propone la sintesi di regressione bayesiana dinamica quantile (DRQS) e la sua estensione fattoriale multivariata (FDRQS), nuovi metodi che combinano informazioni da modelli multipli per migliorare le previsioni quantili, dimostrando una particolare resilienza durante periodi di stress economico come la pandemia di COVID-19.
Il documento presenta un metodo sequenziale per la generazione, l'enumerazione e il campionamento di grafi bipartiti, diretti e non diretti con sequenze di gradi prescritte, definendo condizioni necessarie e sufficienti per garantire la fattibilità globale e dimostrando, attraverso esperimenti numerici, la scalabilità dell'approccio su istanze di grandi dimensioni dove i metodi esistenti risultano proibitivi.
Questo articolo propone un semplice stimatore conservativo della varianza, valido asintoticamente, per somme di vettori casuali con medie eterogenee e dipendenza a due vie o debole, correggendo la sottostima delle varianze che si verifica con gli stimatori standard.
Il documento propone un nuovo quadro di modellazione congiunta robusto basato sulla divergenza di densità di potenza e sulla regolarizzazione , progettato per gestire dati con risposte continue e binarie in contesti ad alta dimensionalità riducendo l'impatto degli outlier e migliorando l'accuratezza predittiva rispetto ai metodi esistenti.
Questo studio propone un metodo di ottimizzazione vincolata per stimare simultaneamente multiple distribuzioni discrete unimodali con ordinamento stocastico, dimostrando una riduzione significativa della divergenza Jensen-Shannon su dataset reali e sintetici, specialmente in scenari con campioni limitati.
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.