262 articoli
Questo lavoro dimostra che un'architettura di rete neurale tridimensionale basata su funzioni ReLU arricchite dall'altezza supera i limiti teorici esistenti, consentendo tassi di approssimazione esponenziali per funzioni analitiche e fornendo per la prima volta una stima quantitativa non asintotica di ordine elevato per funzioni generiche in .
Questo articolo estende la previsione e-conforme per gestire la presenza di confondimento osservato tra l'oggetto casuale e l'etichetta, considerando sia scenari con dati indipendenti e identicamente distribuiti (IID) sia casi che ammettono dipendenze tra le osservazioni.
Questo articolo propone e analizza due stimatori di reti neurali profonde basati sul principio della minima entropia dell'errore per la regressione non parametrica da osservazioni fortemente dipendenti, dimostrando che entrambi raggiungono il tasso di convergenza minimasso ottimale per classi di funzioni Hölder e composte.
Il paper introduce le mappe di trasporto diagnostiche per correggere le distribuzioni predittive di modelli base non calibrati, migliorando l'affidabilità e la quantificazione dell'incertezza per eventi rari, come dimostrato nella previsione dell'intensità dei cicloni tropicali.
Questo articolo esamina il ruolo strategico, l'organizzazione e i fattori di successo dei gruppi dedicati alla metodologia statistica nell'industria farmaceutica, evidenziando come la loro capacità di sviluppare e integrare approcci quantitativi innovativi sia fondamentale per ottimizzare l'efficienza, la velocità e la probabilità di successo dei processi di sviluppo dei farmaci.
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 lavoro presenta un quadro di ottimizzazione unificato per gli esperimenti a bandit che risolve i problemi di validità statistica e di compromesso tra ricompensa cumulativa ed efficienza, consentendo ai ricercatori di migliorare i risultati scientifici mantenendo la validità dei test statistici.
Il lavoro presenta RIE-Greedy, un approccio per i banditi contestuali che sfrutta la casualità intrinseca del processo di regolarizzazione durante l'addestramento dei modelli per generare esplorazione efficace, dimostrando teoricamente e praticamente che tale strategia è equivalente al Thompson Sampling e supera i metodi tradizionali in ambienti complessi.
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.
Questo studio dimostra che le decisioni di approvazione basate su indici di capacità del processo (come ) vicino a soglie fisse sono intrinsecamente instabili in campioni finiti, rivelando un rischio decisionale significativo e non trascurabile anche in condizioni ideali.
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 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.
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.
Questo articolo introduce una decomposizione teorica della molteplicità osservazionale negli alberi decisionali in "rimorso strutturale" e "rimorso foglia", dimostrando sperimentalmente che l'instabilità della struttura dell'albero è il principale fattore di variabilità e che l'utilizzo di queste misure può migliorare la sicurezza e l'affidabilità delle previsioni tramite meccanismi di astensione.
Questo articolo presenta un approccio unificato per stimare i gradi di libertà effettivi nelle varianze ottenute tramite Balanced Repeated Replication e Jackknife accoppiato, dimostrando come le proprietà di indipendenza dei contrasti stratali permettano di derivare una formula pratica per l'approssimazione di Welch-Satterthwaite necessaria alla costruzione di intervalli di confidenza.