252 articoli
Il paper propone un nuovo metodo chiamato PLOT (Pairwise Last Observation Time) per valutare in modo robusto gli effetti dei trattamenti negli studi longitudinali con eventi intercorrenti, confrontando i soggetti al momento dell'ultima osservazione comune prima dell'evento senza dipendere da assunzioni strutturali non verificabili.
Questo articolo presenta nuovi indici assoluti di validità dei cluster, basati su funzioni di compattezza e margini di separabilità definiti tramite punti vicini, per determinare in modo efficace il numero ottimale di cluster e la qualità della partizione in diversi dataset sintetici e reali.
Questo studio propone nuovi limiti causali non parametrici per la valutazione dell'efficacia dei vaccini negli studi randomizzati con rottura dell'accecamento, rilassando l'assunzione di assenza di cause comuni non misurate e utilizzando metodi di programmazione lineare e di monotonia per quantificare l'incertezza in diversi scenari causali.
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.
Il paper introduce gli Augmented Time Series Causal Models (ATSCM), un framework che integra l'analisi causale temporale e il ragionamento controfattuale per modellare le complesse relazioni nei mercati energetici e simulare scenari futuri, come l'impatto di diverse configurazioni di generazione rinnovabile sui prezzi dell'elettricità.
Il paper propone il TNCM-VAE, un modello generativo che combina autoencoder variazionali e modelli causali strutturali per produrre serie temporali finanziarie sintetiche capaci di preservare le dipendenze temporali e le relazioni causali, abilitando così analisi controfattuali e test di stress più accurati.
Il documento estende i giochi causali a scenari sequenziali per modellare agenti AI, dimostrando teoricamente la complessità computazionale ma rivelando empiricamente che tale approccio non offre alcun vantaggio di benessere rispetto all'equilibrio di Stackelberg classico, suggerendo così la necessità di nuovi framework teorici oltre la razionalità standard.
Questo articolo propone un modello a blocchi firmato per analizzare reti eterogenee con archi positivi e negativi, dimostrandone l'identificabilità, la consistenza asintotica nell'individuazione delle comunità e l'efficacia attraverso simulazioni numeriche e un'applicazione a una rete di relazioni internazionali.
Questo lavoro introduce varianti efficienti e statisticamente coerenti delle foreste casuali basate sul principio di minimizzazione del rischio massimo (MaxRM) per migliorare la generalizzazione fuori distribuzione, fornendo nuove garanzie teoriche e validando l'approccio su dati simulati e reali.
Questo studio dimostra che i piccoli trasformatori realizzano l'inferenza bayesiana attraverso un meccanismo geometrico specifico, utilizzando stream residui come substrato delle credenze e reti feed-forward per l'aggiornamento, superando di gran lunga le architetture MLP in ambienti controllati chiamati "gallerie del vento bayesiane" dove la vera posterior è nota.
Questo lavoro dimostra che l'addestramento con entropia incrociata nei transformer scolpisce dinamicamente la geometria interna delle teste di attenzione, creando una procedura a due scale temporali analoga all'EM che allinea l'ottimizzazione del gradiente ai manifold bayesiani necessari per il ragionamento probabilistico in contesto.
Il paper propone un metodo innovativo per il campionamento da densità di Boltzmann non normalizzate, basato su un'equazione differenziale ordinaria di flusso derivata da interpolanti stocastici lineari, che utilizza una sequenza di campionatori di Langevin per generare campioni intermedi e stimare robustamente il campo di velocità, garantendo teoricamente la convergenza e dimostrando l'efficienza in esperimenti numerici su distribuzioni multimodali complesse e compiti di inferenza bayesiana.
Questo articolo propone un metodo di apprendimento trasferito per la regressione lineare funzionale basato su variabili di controllo, che utilizza statistiche riassuntive per preservare la privacy, stabilisce per la prima volta un legame teorico con l'approccio offset e deriva tassi di convergenza che tengono conto degli errori di smoothing dovuti all'osservazione discreta dei predittori funzionali.
Questo articolo presenta un'analisi quantitativa degli errori nei problemi inversi bayesiani con prior generativi, dimostrando che l'errore nel posterio eredita il tasso di convergenza del prior rispetto alla distanza di Wasserstein-1 e validando tali risultati attraverso esperimenti numerici e un problema inverso di equazioni alle derivate parziali ellittiche.
Il paper presenta HaKAN, un modello innovativo per la previsione di serie temporali multivariate basato sulle reti Kolmogorov-Arnold con funzioni di attivazione apprese tramite polinomi di Hahn, che supera i limiti computazionali e le distorsioni spettrali dei modelli esistenti offrendo un'alternativa leggera, interpretabile e ad alte prestazioni.
Il paper propone le Singular Bayesian Neural Networks, un approccio che parametrizza i pesi come prodotti di matrici a basso rango per ridurre drasticamente il numero di parametri e migliorare la calibrazione e la rilevazione di dati fuori distribuzione, ottenendo prestazioni competitive con gli ensemble profondi ma con una complessità teorica e pratica significativamente inferiore.
Questo studio formalizza la perdita di diversità nei modelli di diffusione guidati come "distorsione generativa", dimostrando che tale fenomeno subisce una transizione di fase in base al numero di classi e proponendo una nuova strategia di guida con una finestra di guida negativa per mitigare la riduzione della varianza preservando la separabilità delle classi.
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 propone un quadro unificato basato su processi-e per il rilevamento online dei watermark negli LLM, offrendo garanzie di validità in qualsiasi momento e migliorando la potenza di rilevamento attraverso metodi empiricamente adattivi.
Il paper propone SEED-SET, un framework di progettazione sperimentale bayesiana che combina valutazioni oggettive e giudizi soggettivi degli stakeholder per testare in modo scalabile ed efficiente l'allineamento etico dei sistemi autonomi in ambiti ad alto rischio.