297 articoli
Lo studio dimostra che, nel contesto della competizione M6 e dell'ipotesi dei mercati efficienti, l'uso di metodi predittivi a bassa dispersione come le medie quasi-attese e la regressione verso la tendenza offre vantaggi consistenti rispetto ai benchmark, risultando più efficace della previsione dei valori effettivi in condizioni di alta incertezza.
Il paper introduce il modello B-DARMA-DARCH, un approccio bayesiano che integra un componente ARCH nel processo di precisione di una serie temporale Dirichlet per catturare la volatilità raggruppata e migliorare l'accuratezza delle previsioni delle quote di valuta.
Gli autori presentano un metodo computazionale che, sfruttando le statistiche di conteggio dei singoli fotoni e le correlazioni spaziali, ricostruisce immagini di profondità e riflettività con un'efficienza fotonica 100 volte superiore ai metodi tradizionali, permettendo una rilevazione accurata anche in condizioni di scarsa illuminazione e forte rumore di fondo.
Questo studio presenta un nuovo modello bayesiano per la datazione al 210Pb che, superando i limiti statistici degli approcci attuali, integra parametri di età e di flussi di piombo per fornire stime più robuste, realistiche e statisticamente definite applicabili anche a casi con errori asimmetrici o combinati con altre tecniche di datazione.
Questo articolo propone un algoritmo di bandito contestuale online basato sull'ottimismo per l'apprendimento per rinforzo regolarizzato con KL, dimostrando che lo sfruttamento del paesaggio di ottimizzazione favorevole e della stima ottimistica dei reward permette di ottenere un limite di rimpianto logaritmico sia nel contesto dei banditi che in quello generale dell'apprendimento per rinforzo.
Questo articolo sviluppa ed estende due approcci di analisi di sensibilità bayesiana, basati su variabili di confondimento latenti e su funzioni di sensibilità, per stimare gli effetti dei trattamenti temporali variabili in presenza di confondimento non misurato variabile nel tempo, valutandone le prestazioni tramite simulazioni e applicandole a dati reali di un registro pediatrico.
Questo articolo esamina e unifica nell'ambito di un comune quadro di previsione basato su modelli lineari misti le diverse approcci di regressione per modellare l'interazione genotipo-ambiente e stimare l'incertezza delle previsioni in ambienti non osservati, illustrando i metodi con un dataset di varietà di riso in Bangladesh.
Questo studio dimostra che gli shock geopolitici e geoeconomici influenzano il rischio sovrano attraverso canali distinti e opposti, creando un "pattern a forbice" in cui i primi agiscono direttamente sul default mentre i secondi operano tramite le aspettative di politica monetaria e il ciclo finanziario globale.
Questo articolo presenta un approccio basato su Thompson Sampling contestuale per sistemi di raccomandazione educativa che, analizzando i dati di un tutoraggio matematico online, genera sequenze di esercizi personalizzati per massimizzare l'acquisizione di competenze e supportare l'insegnamento su larga scala.
Questo articolo dimostra un teorema del limite centrale per modelli di formazione di reti con interazioni strategiche e agenti omofili, stabilendo condizioni di dipendenza debole basate sulla stabilizzazione e sulla teoria dei processi di ramificazione per giustificare procedure di inferenza pratica su reti di grandi dimensioni.
Questo articolo propone un nuovo stimatore robusto per la correlazione policonica che, minimizzando una funzione di perdita basata sulla divergenza tra frequenze osservate e teoriche, supera i limiti della massima verosimiglianza di fronte a violazioni delle assunzioni di normalità latente e alla presenza di rispondenti negligenti, garantendo consistenza, distribuzione asintotica normale e costi computazionali equivalenti.
Questo articolo propone un nuovo metodo basato su un criterio di arresto bayesiano non parametrico per correggere il bias di rappresentazione negli operatori di trasporto ottimo, consentendo così di riparare dati fuori campione e definire un target distribuzionale equo che bilancia giustizia e integrità dei dati.
Utilizzando dati spettroscopici a campo integrale su 54 galassie attive locali, questo studio presenta un nuovo metodo robusto per separare le emissioni dell'AGN dalla formazione stellare, rivelando una correlazione moderata tra il rapporto di Eddington e il tasso di formazione stellare, che suggerisce un'associazione tra l'accrescimento dell'AGN e la formazione stellare nucleare recente.
Il paper propone un framework tipizzato che distingue rappresentazione, validità e decisione nell'uso degli E-valori per il testing sequenziale, dimostrando che il rapporto di verosimiglianza è la rappresentazione ottimale sotto rischio bayesiano e fornendo garanzie asintotiche sui tempi di arresto che i metodi basati solo sulla validità non offrono.
Questo articolo presenta un approccio bayesiano per sintetizzare dati pubblici e modellare la trasmissione di SARS-CoV-2, permettendo di stimare il numero totale di infezioni, valutare l'impatto della mobilità e confrontare metodi di inferenza come Hamiltonian Monte Carlo rispetto alla variational Bayes per supportare le decisioni durante la pandemia.
Questo lavoro stabilisce la convergenza asintotica e la complessità computazionale di per una famiglia di algoritmi di minimizzazione-maggiorizzazione a blocchi applicati a problemi di ottimizzazione non convessa vincolata su varietà Riemanniane, dimostrando sperimentalmente la loro superiorità rispetto ai metodi euclidei standard.
Questo lavoro presenta un'analisi probabilistica degli errori di arrotondamento in aritmetica in virgola mobile che, rendendo esplicito il parametro di confidenza e incorporando la varianza e il bias dei modelli di errore, fornisce limiti più accurati rispetto alle teorie deterministiche, specialmente nei regimi a bassa precisione.
Questo articolo presenta un quadro unificante che collega l'HMC e i processi stocastici deterministici a tratti (PDMP) attraverso dinamiche hamiltoniane "rimbalzanti", permettendo la costruzione di proposte Metropolis senza rifiuto che combinano le proprietà di entrambi gli approcci e offrono prestazioni competitive su problemi Bayesiani su larga scala.
Questo studio propone un innovativo approccio di campionamento basato su eventi non verificatisi temporalmente spostati per stimare l'effetto di covariate globali nei modelli di eventi relazionali, applicandolo con successo all'analisi di oltre 350.000 noleggi di biciclette a Washington D.C. per rivelare l'influenza significativa di fattori come il meteo e l'ora del giorno sulla dinamica del bike sharing.
Questo articolo presenta un modello di regressione a processo gaussiano multilivello per dati funzionali su griglie regolari, che deriva espressioni analitiche efficienti per la verosimiglianza e le distribuzioni posteriori, consentendo l'analisi di grandi dataset tramite l'implementazione in Stan con una velocità superiore di diversi ordini di grandezza rispetto ai metodi standard.