161 articoli
Questo articolo propone due criteri robusti e un algoritmo di ottimizzazione per apprendere regole di trattamento ottimali basate su dati di sopravvivenza censurati, mirando a massimizzare il tempo medio di sopravvivenza troncato e le probabilità di sopravvivenza tamponate, con validazione teorica e sperimentale su dati simulati e reali.
Questo articolo studia le proprietà probabilistiche e statistiche dell'approssimazione Vecchia per i Processi Gaussiani, proponendo una selezione ottimale dei set genitori e dimostrando che il metodo raggiunge il tasso di contrazione minimax ottimo nella regressione non parametrica.
Il documento avanza la teoria del bootstrap parametrico per gli intervalli di previsione delle piccole aree, dimostrando analiticamente che l'errore di copertura è dell'ordine solo in presenza di un pivot e proponendo un metodo di doppio bootstrap per correggere tale errore quando il pivot non esiste.
Questo articolo propone due nuovi algoritmi basati sui dati per determinare strategie ottimali di prezzo e gestione delle scorte in un ambiente offline caratterizzato da domanda censurata e dipendente, superando le sfide legate alla violazione della proprietà di Markov e alla mancanza di informazioni sui profitti attraverso l'approssimazione di un MDP di ordine superiore e l'analisi di sopravvivenza.
Questo lavoro definisce la norma di Orlicz empirica come stimatore della norma di Orlicz di una distribuzione univariata, ne stabilisce una legge dei grandi numeri e analizza le condizioni per un teorema del limite centrale, rivelando che per casi canonici come le variabili normali si ottiene una velocità di convergenza non standard con una distribuzione limite stabile, mentre in generale non esiste una velocità di convergenza uniforme per la classe delle distribuzioni con norma di Orlicz limitata.
Questo articolo stabilisce un principio di universalità per i modelli di tensori spiked asimmetrici, dimostrando che il comportamento spettrale asintotico e i limiti statistici degli stimatori di massima verosimiglianza rimangono invariati rispetto al caso gaussiano anche quando il rumore segue una distribuzione generica con momento quarto finito.
Questo articolo caratterizza la frontiera critica in cui l'asintotica del meccanismo di shuffle privacy si discosta dalla normalità, dimostrando che sequenze di randomizzatori locali sempre più concentrati convergono verso limiti sperimentali di tipo Poisson, Skellam e composto-Poisson, completando così una visione a tre regimi (Gaussiano, critico e super-critico) della privacy differenziale shuffle.
Questo articolo propone un metodo di apprendimento del dizionario basato su barycentri di Wasserstein non bilanciati per migliorare il clustering non supervisionato di immagini iperspettrali, superando i limiti degli approcci precedenti legati alla necessità di bilanciare i profili spettrali e alla scarsa robustezza al rumore.
Questo studio analizza un'approssimazione di diffusione in tempo continuo per i gradienti di politica nei banditi stocastici, dimostrando che un tasso di apprendimento adeguato garantisce un rimpianto logaritmico, mentre un tasso troppo elevato porta a un rimpianto lineare in certi casi.
Questo articolo propone un nuovo modello ARCH a livello di operatore per spazi di Hilbert che modella l'intera evoluzione dell'operatore di covarianza condizionale, fornendo condizioni di stazionarietà, stimatori coerenti e applicazioni pratiche su dati finanziari ad alta frequenza.
Questo articolo presenta un controesempio che dimostra l'inesattezza generale del criterio comunemente usato per identificare le statistiche sufficienti minime, proponendo invece un criterio robusto rispetto alla scelta delle versioni delle derivate di Radon-Nikodym e analizzando i limiti di un approccio alternativo di Pfanzagl.
Il paper propone un nuovo stimatore target minimo di perdita assistito da surrogate per stimare funzioni causali con esiti ritardati e censura amministrativa, offrendo prestazioni stabili e robuste grazie a una rappresentazione di ponte che evita pesi di probabilità inversa instabili e rimuove termini di errore di secondo ordine senza richiedere la stima diretta della legge dei surrogate.
Questo lavoro stabilisce una forte approssimazione gaussiana per statistiche U non degeneri in dimensioni elevate e divergenti, fornendo una fondazione probabilistica unificata per l'inferenza statistica che rimane valida anche sotto distribuzioni a code pesanti.
Questo lavoro introduce Scorio, una libreria open-source per il ranking statistico dei modelli linguistici di ragionamento sotto scaling del tempo di test, dimostrando che la maggior parte dei metodi proposti produce risultati coerenti con uno standard aureo bayesiano sia in scenari ad alto che a basso budget di trial.
Il paper "ForwardFlow" propone un metodo di inferenza statistica basato su simulazioni e un'unica rete neurale che risolve il problema inverso di stima dei parametri, dimostrando in simulazioni proprietà come l'esattezza su campioni finiti, la robustezza ai dati contaminati e la capacità di approssimare algoritmi complessi come l'EM.
Questo articolo indaga la costruzione di funzioni definite positive che preservano la validità delle matrici di correlazione dopo la sogliatura, dimostrando che gli operatori di sogliatura morbida che mantengono la semidefinitezza positiva comportano inevitabilmente un collasso geometrico dello spazio delle caratteristiche, limitando così il segnale recuperabile.
Il paper fornisce caratterizzazioni assiomatiche degli stimatori generalizzati e classici, basandosi sulle proprietà di simmetria, internità e idempotenza asintotica, e utilizzando un teorema di separazione per sottosemigruppi abeliani nelle dimostrazioni.
Questo libro fornisce una trattazione pedagogica e unificata delle basi teoriche della previsione conforme e delle tecniche inferenziali correlate, presentando le dimostrazioni dei risultati più importanti della letteratura per offrire garanzie finite e senza assunzioni distributive nell'ambito dell'apprendimento automatico.
Il paper dimostra che, per il moto browniano oscillante osservato discretamente, il massimale verosimiglianza è -consistente e converge stabilmente verso una distribuzione Poissoniana bivariata, nonostante la non continuità della densità di transizione, grazie all'analisi della struttura di semimartingala della funzione di log-verosimiglianza locale.
Il paper propone un nuovo test omnibus di bontà di adattamento per distribuzioni continue univariate basato sui momenti trigonometrici, che migliora il test LK sfruttando la struttura di covarianza per ottenere una distribuzione asintotica anche in presenza di parametri di disturbo, fornendo procedure plug-and-play validate su undici famiglie di distribuzioni e applicate a errori di previsione meteorologica.