A Bayesian approach to learning mixtures of nonparametric components
이 논문은 베이지안 비모수적 접근법을 사용하여 유한 혼합 모델의 비모수적 성분을 학습하고, 구성 요소 분포의 식별 가능성과 사후 수렴성을 증명하며, 효율적인 MCMC 알고리즘을 통해 기존 탈합성 (deconvolution) 방법보다 우수한 수렴 속도로 복잡한 잠재 하위 집단 분포를 추정하는 방법을 제시합니다.
📊 Category
stat.ME
222 편의 논문
cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
이 논문은 기존 Shapley 값이 관찰 데이터의 인과적 맥락을 무시할 때 콜라이더 편향 등으로 인해 잘못된 특징 중요도를 산출할 수 있음을 지적하고, 데이터의 인과 구조를 반영하여 이러한 오류를 해결하는 새로운 방법인 'cc-Shapley'를 제안합니다.
Proximal Learning for Trials With External Controls: A Case Study in HIV Prevention
이 논문은 외부 대조군 데이터를 활용하여 활성 대조군 HIV 예방 임상시험에서 위약 대비 카보테그라비르의 절대 효능을 추정하기 위해, 측정되지 않은 위험 요인과 낮은 사건 발생률 문제를 해결하는 새로운 근사적 인과 추론 방법론을 제안하고 검증합니다.
Variable Selection for Linear Regression Imputation in Surveys
이 논문은 조사 데이터의 결측치 보정을 위한 선형 회귀 모델에서 변수 선택의 중요성을 규명하고, 오라클 손실 함수를 기반으로 한 최적 모델의 성질을 분석하며, 모델 선택 후에도 유효한 신뢰구간을 구성하는 방법론적 프레임워크를 제시합니다.
KRAFTY: Khatri-Rao Framework for Joint Cluster Recovery
이 논문은 여러 뷰의 데이터에서 부분적으로만 드러나는 진정한 공동 클러스터 구조를 효과적으로 복원하고 모델 선택을 용이하게 하는 'KRAFTY'라는 새로운 다중 뷰 클러스터링 프레임워크와 방법을 제안합니다.
Least trimmed squares regression with missing values and cellwise outliers
이 논문은 결측값과 셀 단위 이상치뿐만 아니라 사례 단위 이상치에도 강건하며, 비대칭 분포를 허용하고 견고한 예측을 가능하게 하는 새로운 회귀 방법을 제안하고 시뮬레이션 및 실제 데이터를 통해 그 성능을 입증합니다.
A Multi-Fidelity Tensor Emulator for Spatiotemporal Outputs: Emulation of Arctic Sea Ice Dynamics
이 논문은 저비용 저정밀도 시뮬레이션과 고비용 고정밀도 시뮬레이션의 정보를 결합하여 대규모 시공간 데이터를 효율적으로 모사하고 예측 오차를 줄이며 불확실성을 정교하게 추정하는 다중 충실도 텐서 에뮬레이터를 개발하여 북극 해빙 역학을 분석하는 데 적용한 연구입니다.
Robust estimation via -divergence for diffusion processes
이 논문은 고빈도 관측 데이터의 이상치 문제를 해결하기 위해 Kessler 의 접근법을 통해 전이 확률밀도함수를 가우시안 분포로 근사하고, 이를 바탕으로 -발산 (gamma-divergence) 을 이용한 강건한 확산 과정 추정량의 점근적 성질과 조건부 영향함수의 유계성을 규명합니다.
Modeling cyclostationarity in time series using ASCA
이 논문은 ANOVA 동시 성분 분석 (ASCA) 을 활용하여 다변량 시간 계열 데이터의 주기적 특성과 자기상관성을 효과적으로 모델링하고 해석할 수 있는 통합 분석 프레임워크를 제안하며, 산호수 온도와 꽃가루 농도 데이터에 대한 사례 연구를 통해 그 유효성을 입증합니다.
Monitoring Covariance in Multichannel Profiles via Functional Graphical Models
이 논문은 평균뿐만 아니라 공분산 구조의 변화를 효과적으로 탐지하기 위해 함수형 그래프 모델을 기반으로 한 다채널 프로파일 공분산 (MPC) 관리도를 제안하고, 다양한 희소성 수준의 가능도비 검정을 결합하여 이상 상태를 식별하고 변화된 프로파일 간 관계를 파악하는 방법을 제시합니다.
Learning Causal Structure of Time Series using Best Order Score Search
이 논문은 정적 데이터의 BOSS 알고리즘을 확장하여 시계열 데이터의 인과 구조를 학습하는 TS-BOSS 를 제안하고, 이를 통해 높은 자기상관 환경에서도 기존 방법보다 우수한 성능을 보이며 확장 가능한 이론적 근거를 제공함을 보여줍니다.
Statistical inference for Levy-driven graph supOU processes: From short- to long-memory in high-dimensional time series
이 논문은 그래프 구조를 통해 고차원 시계열의 구성 요소 간 의존성을 모델링하고 단기 및 장기 의존성을 포괄하는 레비 기반 그래프 supOU 과정을 제안하며, 일반화 모멘트 추정량의 일관성과 점근적 정규성을 증명하고 풍력 발전 용량 계수에 대한 실증 분석을 통해 그 실용성을 입증합니다.
Discrete Chi-Square Method can model and forecast complex time series, like El Nino data between 1870 and 2024
이 논문은 기존 주파수 영역 방법의 한계를 극복하고 가우스-마크로프 정리에 기반한 이산 카이제곱 방법 (DCM) 을 통해 엘니뇨 데이터를 포함한 복잡한 시계열의 추세와 신호를 정확하게 모델링하고 예측할 수 있음을 주장합니다.
Synthetic Augmentation in Imbalanced Learning: When It Helps, When It Hurts, and How Much to Add
이 논문은 불균형 학습에서 합성 데이터 증강이 항상 유익한 것은 아니며, 국소 대칭/비대칭 조건에 따라 그 효과가 달라지고 최적의 합성 샘플 수는 생성기의 오차 특성에 의존하므로 검증 기반 튜닝 (VTSS) 을 통해 합성 데이터 양을 조절해야 함을 통계적 프레임워크와 실험을 통해 규명합니다.
Causal Learning Should Embrace the Wisdom of the Crowd
이 논문은 개별 에이전트나 인간 전문가가 가진 분산된 인과 지식을 대규모 크라우드소싱, 전문가 의견 통합, 그리고 대규모 언어 모델 시뮬레이션을 통해 종합하여 단일 주체로는 달성할 수 없는 전역 인과 구조를 복원하는 새로운 패러다임을 제안합니다.
Beyond Cross-Validation: Adaptive Parameter Selection for Kernel-Based Gradient Descents
이 논문은 편향 - 분산 분석과 분할 기법을 통합하여 커널 기반 경사 하강법의 반복 횟수를 정량화하는 경험적 유효 차원 개념을 도입하고, 이를 통해 다양한 커널과 타겟 함수에 적응하며 최적의 일반화 오차 한계를 달성하는 새로운 적응형 매개변수 선택 전략을 제안합니다.
Controllable Generative Sandbox for Causal Inference
이 논문은 혼합 가우시안 잠재 사전 분포와 데이터 유형별 디코더를 결합하여 관측 데이터의 분포적 현실성을 유지하면서도 중첩, 교란, 치료 효과 이질성 등 인과적 매개변수를 정밀하게 제어할 수 있는 생성형 프레임워크 'CausalMix'를 제안하고, 이를 통해 인과 추론 방법론 검증 및 연구 설계의 실용성을 입증합니다.
The projected isotropic normal distribution with applications in neuroscience
이 논문은 뇌파 (EEG) 신호 분석을 위해 제안된 투영 등방성 정규 분포의 새로운 성질을 유도하고, von Mises 분포 기반의 근사법을 개발하여 뇌파 데이터에 적용하는 통계적 추론 방법을 제시합니다.
The Pivotal Information Criterion
이 논문은 과적합과 고차원 최적화의 한계를 극복하기 위해, 통계적 검정력 한계에서 도출된 피벗 정보 기준 (PIC) 을 제안하여 고차원 데이터에서 정확한 모델 선택과 예측 성능을 동시에 달성함을 보여줍니다.
Bayesian Adversarial Privacy
이 논문은 차분 프라이버시보다 더 의미 있고 통계적 공개 이론보다 더 엄격한 새로운 맥락적·구체적 프라이버시 개념을 제안하며, 민감 정보 공개 결정이 데이터 관측 여부와 관계없이 사전 관점 (prior viewpoint) 에서 이루어져야 함을 강조합니다.