252 articoli
Questo articolo dimostra che il criterio A nei disegni sperimentali può essere scomposto in un termine di scala inverso-D e un fattore di sfericità dipendente dalla dispersione degli autovalori, fornendo così una spiegazione matematica delle differenze nelle prestazioni di varianza e previsione tra disegni con ottimalità D simile e offrendo un metodo leggero per la selezione dei candidati.
Questo articolo caratterizza la frontiera critica in cui l'asintotica del meccanismo di shuffle privacy si discosta dalla normalità, dimostrando che sequenze di randomizzatori locali sempre più concentrati convergono verso limiti sperimentali di tipo Poisson, Skellam e composto-Poisson, completando così una visione a tre regimi (Gaussiano, critico e super-critico) della privacy differenziale shuffle.
Questo studio propone un nuovo metodo di clustering basato su grafi e informato dalle traiettorie temporali per la sottomissione del cancro, che integra dati clinici multi-modali e l'evoluzione longitudinale della malattia per identificare sottotipi con profili prognostici distinti e migliorare la medicina oncologica personalizzata.
Questo articolo propone un metodo di apprendimento del dizionario basato su barycentri di Wasserstein non bilanciati per migliorare il clustering non supervisionato di immagini iperspettrali, superando i limiti degli approcci precedenti legati alla necessità di bilanciare i profili spettrali e alla scarsa robustezza al rumore.
Questo articolo propone un predittore lineare empirico pseudo-best multivariato per stimare le medie di aree piccole di variabili dipendenti, integrando i pesi campionari in un modello di regressione a errori annidati, derivando un predittore unificato e fornendo procedure bootstrap per la stima dell'errore quadratico medio, come dimostrato da simulazioni e un'applicazione su dati abitativi.
Questo studio propone e valida tramite simulazioni e un'applicazione empirica su dati longitudinali due nuovi algoritmi di g-computazione per stimare gli effetti causali di azioni nel tempo in presenza di eventi semi-concorrenti e confondimento variabile nel tempo, offrendo una soluzione simultanea a sfide metodologiche chiave negli studi epidemiologici di lungo periodo.
Questo articolo sviluppa una teoria sistematica della stabilità per l'inferenza statistica nei banditi basata sulla discesa dello specchio stocastica regolarizzata, dimostrando che algoritmi come REG-EXP3 garantiscono sia intervalli di confidenza validi che ottimalità nel regret, pur mantenendo robustezza contro le corruzioni avversarie.
Questo articolo sviluppa una teoria generale per l'apprendimento pesato per l'outcome (OWL) che estende l'analisi ai kernel Matern e a una vasta classe di funzioni di perdita surrogate, fornendo nuove garanzie teoriche di convergenza e algoritmi ottimizzati per la definizione di regole di trattamento individualizzate.
Il paper presenta BSync, un nuovo framework bayesiano per la sincronizzazione di registri paleoclimatici che, superando i limiti dei metodi di ottimizzazione tradizionali, inferisce una funzione di mappatura temporale con quantificazione formale dell'incertezza, ottenendo allineamenti più accurati e intervalli credibili ben calibrati, specialmente quando i vincoli temporali indipendenti sono scarsi.
Questo studio analizza un'approssimazione di diffusione in tempo continuo per i gradienti di politica nei banditi stocastici, dimostrando che un tasso di apprendimento adeguato garantisce un rimpianto logaritmico, mentre un tasso troppo elevato porta a un rimpianto lineare in certi casi.
Il documento dimostra che, quando la prior condizionata agli iperparametri è una distribuzione canonica di massima entropia, anche la prior marginale risultante nei modelli gerarchici bayesiani conserva una proprietà di massima entropia, ma vincolata alla distribuzione marginale di una funzione delle quantità incognite, rivelando così la natura delle informazioni assunte in tali modelli.
Il paper propone MultiwayPAM, un nuovo metodo di clustering tensoriale che analizza i punteggi ottenuti tramite LLM-as-a-Judge per ridurre i costi computazionali e identificare i bias intrinseci degli evaluator, permettendo di scoprire la struttura di appartenenza di domande, rispondenti e valutatori attraverso l'individuazione simultanea dei membri e dei medoidi di ciascun cluster.
Questo articolo presenta un controesempio che dimostra l'inesattezza generale del criterio comunemente usato per identificare le statistiche sufficienti minime, proponendo invece un criterio robusto rispetto alla scelta delle versioni delle derivate di Radon-Nikodym e analizzando i limiti di un approccio alternativo di Pfanzagl.
Il documento dimostra che una classe di combinazioni ottimizzate di valori-e rimane valida anche quando il parametro di sintonizzazione è selezionato in base ai dati, estendendo il risultato a una nuova categoria di variabili-e simultanee e proponendo un test di combinazione migliorato basato sui polinomi simmetrici elementari.
Questo lavoro risolve il problema di identificazione del braccio migliore in banditi lineari non stazionari stabilendo un limite inferiore dipendente dall'insieme dei bracci e proponendo l'algoritmo basato sul design ottimale adiacente, che raggiunge tale limite e supera le stime pessimistiche basate sul design G-ottimale.
Questo articolo propone un metodo innovativo per aggiornare modelli di rischio integrando informazioni di ranking esterne, permettendo di sfruttare dati prognostici preesistenti anche quando i punteggi di rischio assoluti non sono direttamente trasferibili a causa di differenze tra le popolazioni di studio.
Il paper propone un nuovo stimatore target minimo di perdita assistito da surrogate per stimare funzioni causali con esiti ritardati e censura amministrativa, offrendo prestazioni stabili e robuste grazie a una rappresentazione di ponte che evita pesi di probabilità inversa instabili e rimuove termini di errore di secondo ordine senza richiedere la stima diretta della legge dei surrogate.
Il paper propone WiGS, un metodo di apprendimento attivo per la regressione che utilizza l'apprendimento per rinforzo per adattare dinamicamente il criterio di selezione dei campioni, superando le limitazioni dei metodi statici e migliorando l'efficienza e l'accuratezza su dataset con densità irregolare.
Il paper propone la "regressione isotonica di Brenier", un nuovo metodo di regressione multi-output che estende la regressione isotonica classica sfruttando il trasporto ottimo di Kantorovich per garantire la monotonia ciclica, dimostrando prestazioni superiori nella calibrazione delle probabilità e nei modelli lineari generalizzati.
Questo lavoro dimostra che la Discesa del Gradiente Precondizionata nello Spazio Duale converge a una soluzione che interpola i dati nel regime sovraparametrizzato e, nel caso di precondizionatori isotropi, minimizza la distanza di Frobenius rispetto all'inizializzazione, condividendo così lo stesso bias implicito della discesa del gradiente standard.