162 articoli
Questo lavoro determina la soglia computazionale per il rilevamento di correlazioni in coppie di modelli a blocchi stocastici correlati, dimostrando che i test basati su polinomi di basso grado riescono a distinguere il modello da grafi indipendenti se e solo se la probabilità di campionamento supera il minimo tra la costante di Otter e la soglia di Kesten-Stigum.
Questo articolo introduce i processi supOU su grafo guidati da processi di Lévy come modello parametrico parsimonioso per serie temporali ad alta dimensionalità che uniscono dipendenze a breve e lungo termine, sviluppando un metodo di stima basato sui momenti generalizzati e validandone l'efficacia sia tramite simulazioni che in un'applicazione empirica sui fattori di capacità eolica in una rete elettrica europea.
Il documento introduce un nuovo framework distributivo-free per formalizzare l'identificabilità nella regressione lineare mal posta, definendo un parametro identificabile basato su un sottoinsieme di caratteristiche rilevanti e dimostrando che algoritmi di riduzione della dimensionalità statisticamente interpretabili possono stimarlo con errori che migliorano i tassi minimax esistenti, anche in presenza di caratteristiche a code pesanti.
Questo studio analizza le relazioni tra le disuguaglianze di concentrazione e il bias massimo per gli stimatori basati sulla profondità statistica, fornendo un quadro unificato per valutarne la convergenza e la robustezza, derivando esplicitamente le curve di bias massimo e i punti di rottura per le matrici di dispersione più profonde e confrontando le prestazioni di vari stimatori robusti.
Il documento presenta una nuova rappresentazione integrale valida su tutto il piano complesso per la funzione reciproca del gamma, che evita le singolarità della funzione originale e soddisfa una specifica identità funzionale senza richiedere continuazione analitica.
Questo studio stabilisce limiti di approssimazione gaussiana per le distribuzioni finite-dimensionali di reti neurali profonde con pesi inizializzati casualmente, dimostrando la convergenza verso un limite gaussiano con tassi specifici quando le larghezze degli strati tendono all'infinito.
Questo articolo introduce la regressione Lp-quantile composta e la regressione quantile vicina come metodi robusti per dati ad alta dimensionalità con varianze infinite, dimostrandone l'efficienza superiore rispetto alle tecniche tradizionali e proponendo un algoritmo unificato per il loro adattamento.
Il paper dimostra che i progetti minimax, opportunamente calibrati, risolvono simultaneamente il problema di minimizzare la varianza soggetta a un vincolo di bias massimo e quello di minimizzare il bias massimo soggetto a un vincolo di varianza.
Il lavoro presenta un limite di concentrazione universale per somme di variabili aleatorie sotto dipendenze arbitrarie, dimostrandone l'ottimalità asintotica e fornendo condizioni pratiche per profili di coda espliciti basati sulla subadditività del valore a rischio atteso.
Questo lavoro completa il programma di Le Cam fornendo una condizione necessaria e sufficiente per l'esistenza di un test non banale tra due insiemi di misure di probabilità, dimostrando che tale testabilità è garantita se e solo se le chiusure degli inviluppi convessi degli insiemi sono separate nella distanza di variazione totale nello spazio delle misure finitamente additive limitate, eliminando così la necessità di una misura dominante comune.
Questo lavoro dimostra che i modelli di diffusione basati sul punteggio adattano la loro velocità di convergenza alla dimensione intrinseca dei dati, superando la maledizione della dimensionalità e fornendo nuovi limiti di errore finiti per distribuzioni con supporto non limitato.
Questo studio dimostra che gli stimatori kernel per modelli multi-indice con valori di banda grandi possiedono intrinsecamente la capacità di ridurre la maledizione della dimensionalità, ottenendo un tasso di convergenza ottimale basato sulla dimensione effettiva del modello senza necessità di eliminare preventivamente le variabili irrilevanti.
Questo articolo introduce nuove proprietà e approssimazioni per la distribuzione normale isotropa proiettata, dimostrando la sua rilevanza nell'analisi delle fasi dei segnali EEG registrati durante stimolazioni luminose.
Questo articolo generalizza il teorema 1.6 di [HLN26] risolvendo il Problema Aperto 5, fornendo l'asintotica per la sovrapposizione tra autovettori anomali e il sottospazio degli autovalori spettrali in un modello di matrici non hermitiane sparse perturbate da un termine di rango finito.
Questo articolo deriva la relazione tra la distribuzione di Cauchy proiettata circolare generalizzata e quella avvolta, proponendo un test del rapporto di verosimiglianza logaritmica per l'uguaglianza di due medie angolari senza assumere l'uguaglianza dei parametri di concentrazione, la cui efficacia è valutata tramite simulazioni anche nel caso in cui si assuma erroneamente una distribuzione di Cauchy avvolta.
Il documento presenta il Criterio Informativo Pivotal (PIC), un metodo di selezione del modello che risolve i limiti dei criteri tradizionali attraverso un'ottimizzazione continua e una penalità adattiva basata su una statistica asintoticamente pivotale, garantendo così una migliore identificazione della struttura reale dei dati e una ridotta complessità del modello.
Questo lavoro introduce una nuova nozione quantitativa di privacy basata sulla teoria decisionale bayesiana, che supera i limiti della privacy differenziale e della teoria della divulgazione statistica adottando una prospettiva a priori per le decisioni di divulgazione.
Questo lavoro propone un formalismo unificato per l'aggregazione di densità basato sulle medie generalizzate, dimostrando teoricamente e validando empiricamente che solo l'intervallo garantisce miglioramenti sistematici rispetto alle distribuzioni individuali, fornendo così una giustificazione rigorosa per l'uso diffuso della media lineare () e geometrica () negli ensemble di deep learning.
Questo articolo propone un metodo di inferenza spettrale basato sui rapporti dei gap degli autovalori per determinare il numero di comunità nelle reti, offrendo una soluzione efficace, priva di parametri e applicabile sia a reti dense che sparse senza richiedere l'adattamento esplicito di modelli.
Questo lavoro stabilisce nuovi limiti estremi per le quantili geometriche multivariati senza richiedere condizioni sui momenti, evidenziando una connessione innovativa tra questi limiti inferiori e le regioni centrali di profondità di Tukey.