161 papers
Dit paper introduceert een efficiënte, parameterloze geodesische slice sampling-methode voor het trekken van steekproeven van verdelingen op een bol, die onder zachte regulariteitsvoorwaarden uniform ergodisch is en in numerieke experimenten superieure prestaties levert ten opzichte van standaardmethoden zoals Random-Walk Metropolis-Hastings en Hamiltonian Monte Carlo.
Dit artikel ontwikkelt een asymptotische expansieformule voor bootstrap-besluitingskansen in hoge dimensies, waarmee wordt aangetoond dat de wild-bootstrap met derde-momentmatching zonder studentisatie tweede-orde nauwkeurig is bij identieke diagonaalelementen van de covariantiematrix, en dat een dubbele wild-bootstrap methode ongeacht de covariantiestructuur tweede-orde nauwkeurig is.
Dit artikel onderzoekt de distributionele stabiliteit van schattingen voor de inverse covariantiematrix onder datacontaminatie door expliciete lokale Lipschitz-grenzen af te leiden voor de afstand tussen verdelingen, gemeten met de Kantorovich-metriek.
Deze paper introduceert een adaptief transferleringskader voor clustering dat automatisch gemeenschappelijke patronen benut tussen een hoofd- en een hulpdataset, ondanks onbekende verschillen, om zo de prestaties te optimaliseren via een geoptimaliseerde bias-variatie-decompositie.
Dit paper introduceert DR-FoS, een dubbel robuuste methode voor het schatten van het functionele gemiddelde behandelingseffect (FATE) in observationele studies, die consistente schattingen garandeert zelfs bij modelmisspecificatie en geldige simultane betrouwbaarheidsbanden biedt voor functionele uitkomsten.
Dit paper introduceert een nieuw algoritme dat de berekening van post-hoc grenzen voor de False Discovery Proportion over een pad van hypotheses versnelt van naar door gebruik te maken van de boomstructuur van de referentiefamilie.
Dit artikel introduceert GMM- en M-schattingen voor netwerkgedata en bewijst hun consistentie en asymptotische normaliteit door een nieuwe uniforme wet van grote aantallen te ontwikkelen die voortbouwt op het werk van Kojevnikov, Marmer en Song.
Deze paper introduceert de Poisson-tensorcompletiestimator, die gebruikmaakt van inter-sample relaties en een Poisson-tensorontbinding om een niet-negatieve, laag-rang benadering van multivariate verdelingen te verkrijgen die superieur is aan standaard histogramschatters voor sub-Gaussische verdelingen.
Dit paper introduceert de c-delta-coëfficiënt, een nieuwe statistische maatstaf die de gelijkenis van interne divergentiepatronen tussen twee groepen waarden kwantificeert, wat waardevol is voor toepassingen variërend van kwantumfysica tot machine learning.
Dit paper introduceert Sigmoid-FTRL, een adaptief experimenteel ontwerp dat de niet-convexe optimalisatie voor AIPW-schattingen oplost door twee convexe regrets gelijktijdig te minimaliseren, waardoor de minimax-snelheid van Neyman-regret wordt bereikt en geldige betrouwbaarheidsintervallen mogelijk worden gemaakt.
Dit artikel introduceert een raamwerk gebaseerd op niet-standaard analyse voor coherente risicoschattingen, dat hyperfiniete representaties en discrete Kusuoka-formules gebruikt om zowel robuuste representaties als asymptotische eigenschappen zoals consistentie en normaliteit voor plug-in schatters af te leiden.
Dit paper introduceert een nieuw type covariaat-gebaseerde randomisatieprocedures dat covariaten in klinische trials in evenwicht brengt zonder de variantie van niet-gespecificeerde covariaten te verhogen, waardoor de geldigheid van toetsingen op behandelingseffecten wordt gewaarborgd en het 'shift-probleem' wordt opgelost.
Dit artikel formaliseert de orde-afhankelijkheid van de schatting van de procesvariantie via de bewegende reeks door een exacte variantie-decompositie in te voeren, waarbij wordt aangetoond dat het bekende efficiëntieverlies bij normaal verdeelde data vrijwel volledig toe te schrijven is aan het 'adjacency'-effect van de volgorde.
Deze paper introduceert een schaalbaar multitask Gaussian process-model met functionele covariaten dat, door gebruik te maken van een volledig scheidbare kernelstructuur en Kronecker-decompositie, efficiënte en nauwkeurige voorspellingen met betrouwbaarheidsintervallen mogelijk maakt voor complexe mechanische systemen, zoals geïllustreerd aan de hand van een niet-geïsoleerde klinknagelconstructie.
Dit paper ontwikkelt een thermodynamisch raamwerk voor asymptotische inferentie waarin Shannon-informatie als entropie fungeert, waardoor fundamentele grenzen aan informatie-efficiëntie worden afgeleid en verbanden met bestaande stochastische identiteiten als projecties van een onderliggende structuur worden onthuld.
Dit artikel stelt onder lage-ruiscondities snellere convergentiesnelheden vast voor een binaire plug-in classificatieprocedure op paden van tijd-homogene SDE's met ruimtelijk afhankelijke drift- en diffusiecoëfficiënten, door een exponentiële ongelijkheid af te leiden en een ondergrens voor het excess risico te bepalen.
Dit paper introduceert RACER, een risicobewuste en gekalibreerde routeringsmethode voor grote taalmodellen die query's naar sets van modellen routeert om de misroutingrisico's te beheersen en de downstream-nauwkeurigheid te verbeteren zonder afhankelijk te zijn van specifieke verdelingsaannames.
Dit artikel introduceert een nieuwe schatter voor de Kullback-Leibler-divergentie op basis van Shannon-entropie en k-nabuur-benaderingen, die wordt gebruikt voor een betrouwbaardere goodness-of-fit-test voor multivariate normale verdelingen, met name in hoge dimensies.
Dit artikel formaliseert het doel om in adaptieve experimenten aan te tonen dat ten minste één interventie een positief effect heeft op een subpopulatie, door inferentieprocedures te ontwikkelen binnen een multi-armed bandit-raamwerk die tijd-uniforme meervoudige toetsing mogelijk maken en een adaptieve toewijzingsregel voorstellen met een logarithmische regret-grens.
Deze paper introduceert een nieuwe Frechet-regressiemethode voor multivariate verdelingsresponsen binnen het semiparametrische nonparanormale familie, die gebruikmaakt van de NPT-metriek om de schattingsproblematiek en de vervlochtenheid van de dimensiecurse aan te pakken en zo efficiënte en interpreteerbare modellen mogelijk maakt.