154 papers
Dit artikel presenteert een schaalbare methode om stochastische waarderingsfuncties, zoals die voorkomen in teamprestaties en economische productie, te benaderen door middel van gediskretiseerde verdelingen met een beperkte steekproefgrootte die een constante benadering garanderen voor verzamelingen tot grootte .
Dit artikel biedt een uitgebreide statistische analyse van het "Einstein from noise"-fenomeen, waarbij wordt aangetoond dat het gebruik van template-matching op puur ruis leidt tot schijnbare signaalreconstructie doordat de Fourier-fasen van de schatter convergeren naar die van het template.
Dit artikel introduceert en analyseert twee subsampling-schatters, Adaptive Importance Sampling en Stratified Sub-sampling, voor robuuste hoogdimensionale regressie onder zware-tail ruis, contaminatie en tijdsafhankelijkheid, waarbij het theorie-algoritme-gat wordt overbrugd en bewezen wordt dat deze methoden de minimax-optimale snelheid bereiken en empirisch superieur presteren ten opzichte van uniforme subsampling.
Dit artikel karakteriseert de Palm-verdelingen van gesuperponeerde puntprocessen als een eenvoudige mengselrepresentatie en past dit toe op statistische inferentie, waaronder minimumcontrast-schatting en likelihood-gebaseerde methoden voor shot noise Cox-processen.
Dit artikel presenteert een geometrische verfijning van de klassieke Cramér-Rao-ondergrens in het niet-asymptotische regime door krommingscorrecties op basis van de extrinsieke geometrie van de wortel-embeddings van statistische modellen te integreren, wat leidt tot verscherpte ondergrenzen voor estimatorvariantie.
Dit artikel leidt een vectoriële generalisatie van de Cramér-Rao-ondergrens af in het niet-asymptotische regime door extrinsieke geometrie te combineren met een Hilbertruimte-embeddingsmethode, waarbij richtingsafhankelijke krommingscorrecties en semidefiniete programmering worden gebruikt om de beperkingen van klassieke schattingen in gekromde statistische modellen aan te tonen.
Dit artikel introduceert een algemeen raamwerk voor 'centrale subruimte-data-diepte', een statistische methode die waarnemingen ordent op basis van hun afstand tot een subruimte in plaats van een enkel punt, waardoor het ideaal is voor het analyseren van distributies die symmetrisch zijn rond een subruimte en voor toepassingen zoals fraudedetectie.
Deze paper introduceert een robuust raamwerk voor assortimentsoptimalisatie dat rekening houdt met mogelijke verschuivingen in klantvoorkeuren en modelonjuistheden, waarbij statistisch optimale algoritmen worden ontwikkeld om de steekproefcomplexiteit te minimaliseren en gegarandeerde generalisatie te bieden onder onzekerheid.
Dit artikel breidt de definitie van de multidimensionale Dickman-verdeling uit naar vector-waardige stochastische elementen, bewijst dat deze verdeling oneindig deelbaar en operator-zelfontleedbaar is, en identificeert diverse situaties waarin deze als limietverdeling optreedt.
Dit artikel introduceert een meetkundig raamwerk dat aantoont dat de voornaamste vertekening in variatie-inferentie wordt veroorzaakt door functionals die orthogonaal staan op de raakruimte van de variatiefamilie, wat de systematische vervorming van kruisblokkafhankelijkheden bij mean-field benaderingen verklaart.
Dit artikel onderzoekt niet-parametrische dichtheidsschatting met vormbeperkingen via projectie op de -Wasserstein-afstand, met name voor , en analyseert de structurele eigenschappen en numerieke implementatie van deze schatters voor monotoon dalende en log-concave dichtheden in vergelijking met maximum-likelihoodschatters.
Dit artikel introduceert ULFS-KDPE, een schatter op basis van een universeel minst gunstig submodel in een reproducerende kern-Hilbertruimte die pad-differentieerbare parameters in niet-parametrische modellen schat met semiparametrische efficiëntie zonder expliciete afleiding van efficiënte invloedfuncties.
Dit artikel introduceert een op filtratie gebaseerd raamwerk voor sequentieel leren dat de impact van het toevoegen van taxa op fylo-dynamische inferentie analyseert door de verwachte variantiereductie te ontleden in leer-, mismatch- en covariantiecomponenten, waardoor fundamentele grenzen worden blootgelegd aan wat sequentiedata alleen kunnen onthullen over de latente stamboom.
Dit artikel onderzoekt tweede-orde asymptotiek voor het aantal keren dat een schatter meer dan van zijn doelwaarde afwijkt, en introduceert het concept van 'asymptotische relatieve tekortkoming' om concurrerende schatters met identieke limietverdelingen te onderscheiden, zoals aangetoond door de superioriteit van de variantie-schatting met noemer .
Dit artikel levert uniforme Lorden-type momentgrenzen voor de overshoot van een random walk met tekenwisselende incrementen uit een standaard exponentiële familie, waarbij met name het regime met kleine drift wordt onderzocht en een exponentiële correctieterm wordt afgeleid die de klassieke constante in de bovengrens verbetert.
Dit artikel onderzoekt de statistische grenzen voor het detecteren van meerdere verborgen, inhomogene submatrices in een grote Gaussische matrix, waarbij zowel willekeurige als opeenvolgende indexen worden beschouwd en waarvoor informatie-theoretische ondergrenzen worden bewezen en algoritmen worden ontworpen die deze grenzen tot op logaritmische factoren benaderen.
Dit artikel leidt onder zwakke voorwaarden de limietverdelingen af voor de laatste keer en het totale aantal keren dat een sterk consistente schatter meer dan van de ware parameterwaarde afwijkt, en toont aan hoe deze resultaten nuttig zijn voor het vergelijken van schatters, het opstellen van sequentiële betrouwbaarheidsintervallen en het analyseren van niet-parametrische dichtheidsschattingen.
Dit artikel bepaalt het exacte bereik van gelijktijdig haalbare waarden voor Chatterjee's rangcorrelatie en Blest's rangcorrelatie over de klasse van alle bivariate copula's door een geconstrueerd optimalisatieprobleem op te lossen, wat leidt tot een nieuwe familie van extremale copula's die de grens van dit gebied parametriseren.
Dit artikel introduceert een niet-parametrische tweestalen toets voor het vergelijken van de verdelingen van lage-rangnetwerken met verschillende groottes, waarbij gebruik wordt gemaakt van grafembeddings en optimale transportrotaties om de maximum mean discrepancy te berekenen.
Dit artikel toont aan dat door zorgvuldige combinaties van steekproefverdeling en afstemming van storende functies, zowel plug-in als eerste-orde gecorrigeerde schatters dubbel robuuste functionalen kunnen schatten met minimax convergentiesnelheden over alle Hölder-gladheidsklassen, zelfs onder omstandigheden met lage regulariteit.