161 articoli
Il paper dimostra che per funzioni di valutazione stocastiche monotone e subadditive o submodulari, è possibile costruire efficientemente delle distribuzioni discretizzate con supporto limitato che forniscono una stima approssimata costante del valore reale per qualsiasi sottoinsieme di elementi, facilitando così l'ottimizzazione in scenari complessi come la selezione dei migliori insiemi e la massimizzazione del benessere.
Questo articolo fornisce un'analisi statistica completa del fenomeno "Einstein dal rumore", dimostrando matematicamente come l'allineamento e la media di osservazioni puramente rumorose su un modello di riferimento portino inevitabilmente a ricostruire la struttura del modello stesso, rivelando così un grave pregiudizio metodologico nelle tecniche di matching di template.
Questo articolo presenta due stimatori di subsampling, Adaptive Importance Sampling e Stratified Sub-sampling, che garantiscono una regressione robusta ad alta dimensionalità in presenza di rumore pesante, contaminazione e dipendenza temporale, colmando il divario tra teoria e algoritmo e fornendo intervalli di confidenza validi con prestazioni empiriche superiori rispetto ai metodi tradizionali.
Questo articolo caratterizza le distribuzioni di Palm della sovrapposizione di processi puntuali indipendenti, fornendo una rappresentazione a miscela che abilita nuove strategie di inferenza statistica, tra cui la stima per contrasto minimo e l'analisi dei processi di Cox a rumore di sparo.
Questo lavoro presenta un affinamento geometrico del limite di Cramér-Rao nel regime non asintotico, sfruttando la curvatura estrinseca dell'immersione della varietà statistica nello spazio di Hilbert per ottenere limiti inferiori più stringenti e intuitivi rispetto alle varianti classiche.
Il paper deriva una generalizzazione vettoriale del limite di Cramér-Rao corretta per la curvatura nel regime non asintotico, utilizzando un'embedding geometrica estrinseca e ottimizzazione semidefinita per ottenere limiti di stima più fedeli alla topologia della varietà statistica rispetto alle correzioni classiche.
Questo articolo introduce un nuovo quadro teorico per le "central subspace data depths", generalizzando la profondità statistica dei dati per ordinare le osservazioni rispetto a un sottospazio invece che a un singolo punto, garantendo che il valore massimo di profondità coincida con il centro di simmetria del sottospazio e dimostrando la convergenza asintotica delle stime campionarie con applicazioni pratiche nel rilevamento delle frodi.
Questo articolo propone un framework robusto per l'ottimizzazione degli assortimenti basato su dati osservazionali che, modellando gli spostamenti nelle preferenze dei clienti, garantisce la massimizzazione del ricavo atteso nel caso peggiore e definisce i requisiti minimi di campionamento per un apprendimento statisticamente efficiente.
Questo articolo estende la definizione della distribuzione di Dickman multidimensionale a elementi casuali vettoriali, caratterizzandoli come punti fissi di una trasformazione affine e dimostrando che possiedono le proprietà di divisibilità infinita e auto-decomponibilità operatoriale, oltre a identificare casi in cui emergono come distribuzioni limite.
Questo articolo sviluppa un quadro geometrico che dimostra come il bias di primo ordine nelle inferenze variazionali strutturate sia determinato dalle componenti delle funzionali posteriori ortogonali allo spazio tangente della famiglia variazionale, spiegando così la distorsione sistematica delle dipendenze tra blocchi.
Questo articolo propone e analizza un metodo di stima non parametrica delle densità univariate soggetto a vincoli di forma (come densità non crescenti o log-concave) tramite proiezione sulla distanza di Wasserstein, dimostrandone le proprietà strutturali, fornendo un algoritmo di discretizzazione risolvibile con solver standard e confrontandolo con la massima verosimiglianza.
Il paper propone ULFS-KDPE, un nuovo stimatore di plug-in corretto per il bias basato su un sottomodello sfavorevole universale in spazi RKHS, che garantisce efficienza semiparametrica e stabilità numerica per parametri differenziabili senza richiedere la derivazione esplicita delle funzioni di influenza efficienti.
Questo articolo introduce un framework basato sulla filtrazione per analizzare come l'aggiunta di taxa migliori l'inferenza filodinamica, decomponendo la riduzione della varianza attesa in componenti di apprendimento, disallineamento e covarianza, e dimostrando l'esistenza di un limite fondamentale irriducibile per ciò che i dati sequenziali possono rivelare sulla genealogia latente a causa del divario tra le garanzie di apprendimento ottenibili da un oracolo e quelle disponibili per l'analista.
Questo articolo sviluppa un'analisi di secondo ordine per il numero di volte in cui un estimatore si discosta dal suo valore target, introducendo il concetto di "deficienza asintotica relativa" per distinguere tra stimatori con efficienza asintotica identica e dimostrando, ad esempio, che l'uso del denominatore nella varianza normale è ottimale rispetto ad altre scelte.
Il lavoro stabilisce limiti uniformi di tipo Lorden per i momenti dell'eccedenza di una passeggiata casuale con incrementi da una famiglia esponenziale standardizzata nel regime di deriva piccola, ottenendo termini di resto che decadono esponenzialmente e migliorando le costanti classiche a 1, mentre fornisce anche stime di convergenza esponenziale in metrica di Wasserstein e in variazione totale.
Questo articolo studia i limiti statistici e gli algoritmi per rilevare sottogriglie nascoste in una matrice gaussiana quando il segnale piantato presenta inhomogeneità di media o varianza, analizzando sia configurazioni arbitrarie che consecutive degli indici.
Questo articolo stabilisce le distribuzioni limite per l'ultima istanza e il numero totale di volte in cui un stimatore fortemente consistente si discosta di almeno dal suo valore target, fornendo risultati probabilistici generali che permettono di confrontare stimatori, definire nuove proprietà di ottimalità per la massima verosimiglianza e costruire intervalli di confidenza sequenziali, estendendosi anche a casi non parametrici e situazioni non i.i.d.
Questo articolo determina la regione esatta delle coppie di valori simultaneamente raggiungibili dalla correlazione di rango di Chatterjee e da quella di Blest su tutte le copule bivariati, identificando una nuova famiglia di copule estreme che traccia il confine di tale regione attraverso un'ottimizzazione vincolata.
Il paper propone un test di ipotesi non parametrico basato sulla discrepanza massima del mezzo (MMD) applicata a incastonamenti di grafi ruotati tramite trasporto ottimale per verificare l'uguaglianza di distribuzione tra due reti casuali a rango basso di dimensioni diverse.
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.