252 articoli
Questo studio analizza le distribuzioni tagliate da un punto di vista asintotico, dimostrando un teorema di Bernstein-von Mises e proponendo un algoritmo basato sul Posterior Bootstrap che garantisce una copertura asintotica frequente nominale per le regioni di credibilità, offrendo una soluzione robusta alla propagazione dell'errore di specificazione nei modelli bayesiani modulari.
Questo articolo sviluppa un quadro teorico e un algoritmo numerico iterativo per risolvere il problema inverso continuo delle equazioni differenziali ruvide, consentendo di ricostruire un percorso ruvido geometrico a partire da una traiettoria osservata tramite la convergenza di soluzioni discrete basate sulla rappresentazione della firma.
Questo articolo propone un metodo di branch-and-bound disgiuntivo e nuove rilassazioni convesse per risolvere il completamento di matrici a basso rango con garanzia di ottimalità certificata, riducendo significativamente il divario di ottimalità e l'errore di generalizzazione rispetto ai metodi euristici esistenti.
Questo articolo propone un metodo di aggregazione basato sul trasporto ottimo per combinare modelli Mixture-of-Experts distribuiti in un unico stimatore globale, garantendo efficienza computazionale, bassi costi di comunicazione e prestazioni statistiche comparabili all'addestramento centralizzato.
Questo articolo propone due approcci non parametrici per stimare la distribuzione dei tempi di ingresso in uno stato e le probabilità di occupazione in un modello multistato progressivo con dati di stato attuale, superando le sfide poste dalla censura di intervallo e validando i metodi attraverso simulazioni e un'applicazione su pazienti con cancro al seno.
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 studio propone e valuta tre metodi di stima parametrica multi-fiducia (massima verosimiglianza congiunta, stima dei momenti e massima verosimiglianza marginale) per migliorare l'efficienza inferenziale sui dati ad alta fedeltà, con particolare applicazione all'analisi dei valori estremi e alla quantificazione dei movimenti estremi delle navi.
Questo studio rivela che i modelli di diffusione non memorizzano i dati in modo improvviso, ma subiscono un collasso geometrico graduale in cui, all'aumentare della scarsità dei dati, le capacità generative si restringono progressivamente su pochi esempi, passando dalla generalizzazione alla copia puntuale attraverso un processo di "congelamento" delle variazioni.
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.
Il paper propone CLIQUE, un nuovo metodo agnostico rispetto al modello per calcolare l'importanza locale delle variabili che cattura le dipendenze locali e le interazioni, superando i limiti di tecniche come LIME e SHAP e adattandosi nativamente ai problemi di classificazione multiclasse.
Questo articolo propone un metodo di calibrazione dell'equilibrio clinico (equipoise) per colmare il divario tra significatività statistica e clinica nel disegno degli studi, dimostrando che le configurazioni standard di potenza e tasso di errore forniscono prove robuste di squilibrio dell'equilibrio quando i risultati sono coerenti tra le fasi 2 e 3, mentre la loro incoerenza richiederebbe dimensioni campionarie irrealistiche per effetti clinicamente significativi.
Questo articolo propone una nuova famiglia di modelli statistici per le comparazioni a coppie che, eliminando l'assunzione di transitività stocastica tipica dei modelli Bradley-Terry e Thurstone, utilizza una matrice antisimmetrica a bassa dimensionalità per gestire scenari complessi con dati sparsi, garantendo al contempo ottimalità teorica e prestazioni superiori.
Questo articolo propone un algoritmo chiamato Cholesky-SVM che supera i limiti delle SVM tradizionali negli spazi non euclidei incorporando la covarianza dei dati tramite decomposizione di Cholesky, ottenendo così una classificazione più accurata rispetto ai metodi convenzionali.
Il documento presenta NETCROP, un metodo efficiente e accurato per la convalida incrociata e la selezione dei modelli nelle reti complesse, che suddivide i dati in sottoreti sovrapposte per superare le sfide strutturali tipiche di questo tipo di analisi.
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 articolo propone un algoritmo adattivo che bilancia ottimamente le risorse tra la stima delle statistiche oracle e la costruzione di un estimatore multi-fidelity, garantendo un errore quadratico medio comparabile a quello ottenuto con allocazioni ottimali ideali, come dimostrato da esperimenti numerici su problemi fisici complessi.
Questo articolo propone un nuovo quadro di meta-analisi causale che, superando i limiti dei modelli tradizionali per misure non lineari, introduce formule di aggregazione innovative senza bisogno di dati individuali, rivelando come l'approccio convenzionale possa talvolta trarre conclusioni errate sulla sicurezza e l'efficacia dei trattamenti.
Questo articolo propone un quadro metodologico per la selezione empirica delle variabili di adattamento negli interventi adattivi, sostenendo che, sebbene i dati osservazionali secondari possano essere utilizzati, gli esperimenti randomizzati progettati specificamente per l'ottimizzazione forniscono le prove causali più dirette per definire tempi di misurazione, punti di taglio e decisioni di intervento.
Questo articolo propone un nuovo metodo basato su modelli ad albero additivi e una funzione di perdita bilanciante per stimare i rapporti di densità tra due campioni, consentendo sia un'ottimizzazione efficiente tramite algoritmi di apprendimento supervisionato sia una quantificazione dell'incertezza tramite inferenza bayesiana, con applicazioni validate su dati microbiomici.