161 papers
Dit artikel introduceert twee robuuste criteria en een sampling-based difference-of-convex algoritme voor het leren van optimale behandelingsregels bij gecensureerde overlevingsdata, met als doel de afgeknotte gemiddelde overlevingstijd en bufferde overlevingskansen te maximaliseren.
Dit artikel biedt een grondige theoretische analyse van de Vecchia-benadering voor isotrope Matérn-Gaussian Processes, waarbij het de probabilistische eigenschappen, de keuze van de DAG-structuur en de optimale contractiesnelheid van de posterior in niet-parametrische regressie vaststelt.
Dit artikel verbetert de theorie van parametrische bootstrapping voor voorspellingsintervallen van kleine gebieden door aan te tonen dat de dekking van alleen behouden blijft bij het bestaan van een pivot, en stelt een dubbele parametrische bootstrap-methode voor om de dekking te corrigeren wanneer een pivot ontbreekt.
Dit paper introduceert twee nieuwe datagedreven algoritmen die offline versterkte leer- en overlevingsanalyse technieken combineren om optimale prijs- en voorraadbeheerstrategieën te leren in een omgeving met gecensureerde en afhankelijke vraag, waarbij de uitdagingen van ontbrekende winstinformatie en het verlies van de Markov-eigenschap worden overwonnen door het probleem te benaderen als een hoog-ordelijk Markov-beslissingsproces.
Dit paper introduceert de empirische Orlicz-norm als schatter voor de Orlicz-norm van een verdeling, bewijst een wet van de grote getallen, en onthult dat voor de centrale limietstelling soms een niet-standaard convergentiesnelheid en een zwaarstaartige limietverdeling optreden, terwijl er over het algemeen geen uniforme convergentiesnelheid bestaat voor de klasse van verdelingen met een begrensde Orlicz-norm.
Dit artikel bewijst dat de asymptotische spectrale eigenschappen en statistische limieten van asymmetrische rank-één spiked tensormodellen met niet-Gaussisch ruis, mits een vierde moment voorhanden is, universeel zijn en overeenkomen met die van het klassieke Gaussische geval.
Dit artikel beschrijft de eerste universiteitsbrekende grens in shuffle-privacy door de asymptotische convergentie van binaire en multinomiale randomisatoren naar niet-Gaussische limietexperimenten (Poisson, Skellam en samengestelde Poisson) wanneer lokale privacy kritisch schaalt, waarmee het een compleet driedelig beeld van privacyregimes vervolledigt.
Deze paper introduceert een nieuwe methode voor ongecontroleerde clustering van hyperspectrale beelden die onbalans optimaal transport en barycentra gebruikt om de beperkingen van eerdere gebalanceerde benaderingen te overwinnen, waardoor robuustere en scherpere clusterresultaten worden bereikt.
Dit artikel analyseert een continu-tijd diffusi benadering van policy gradient voor stochastische bandieten en bewijst dat de spijt afhankelijk is van de leersnelheid, waarbij een optimale leersnelheid nodig is om lineaire spijt te voorkomen.
Dit artikel introduceert een nieuw ARCH-raamwerk voor data in Hilbertruimten dat de volledige evolutie van de conditionele covariantie-operator modelleert in plaats van alleen puntsgewijze varianties, en biedt daarbij voorwaarden voor stationariteit, afgeleide schatters en een toepassing op hoogfrequente intradagrendementen.
Dit paper weerlegt de algemeenheid van een veelgebruikt criterium voor het identificeren van minimale toereikende statistieken door middel van tegenvoorbeelden, en stelt een versie-robust alternatief voor dat toepasbaar is in bredere ruimten dan de eerdere methoden van Lehmann en Sato.
Dit artikel introduceert een gesurrogateerde, gerichte minimum-verlies-schatter die stabiele en dubbel robuuste schattingen van causale effecten mogelijk maakt bij vertraagde uitkomsten en administratieve censuur, zonder afhankelijk te zijn van instabiele inverse-kansgewichten.
Dit artikel vestigt een sterke Gaussische benadering voor niet-gedegenereerde U-statistieken in hoge dimensies, waarbij een scherp martingaal-maximaal-ongelijkheid wordt gebruikt om functionele limieten af te leiden die geldig blijven onder zware staartverdelingen en toepassing vinden in veranderingstestprocedures.
Dit paper introduceert Scorio, een open-source bibliotheek die statistische methoden biedt voor het betrouwbaar rangschikken van redeneer-LLMs onder test-time scaling, waarbij wordt aangetoond dat bepaalde technieken zelfs bij beperkte trial-aantallen nauwkeurige rankings genereren.
Dit paper introduceert ForwardFlow, een frequentistische deep learning-methode die uitsluitend gebruikmaakt van simulaties om een neuraal netwerk te trainen dat complexe statistische inverse problemen oplost en parameters schat met eigenschappen zoals eindige steekproefnauwkeurigheid en robuustheid.
Dit artikel onderzoekt de constructie van positief definiete functies die specifieke waarden op correlation matrices thresholden zonder de positieve semidefiniete eigenschap te verliezen, en toont aan dat soft-thresholding die deze eigenschap behoudt noodzakelijkerwijs leidt tot een geometrische ineenstorting van de feature space die de herstelbare signaalkwaliteit beperkt.
Dit artikel biedt axiomatische karakteriseringen van gegeneraliseerde -schattingen en gewone -schattingen (ook wel -schattingen genoemd) op basis van eigenschappen zoals symmetrie, interniteit en asymptotische idempotentie, waarbij een scheidingsstelling voor Abelse deelsemigruppen een cruciale rol speelt in de bewijzen.
Dit boek biedt een pedagogische en verenigde presentatie van de fundamentele technische argumenten en bewijzen voor conformale voorspelling en gerelateerde distributie-vrije inferentietechnieken, die waardevolle onzekerheidskwalificatiegaranties bieden voor complexe machinelearning-systemen zonder aannames over de data-genererende verdeling.
In deze paper wordt bewezen dat de maximum likelihood-schatting voor een discretely geobserveerd pad van oscillerende Brownse beweging met een zelf-georganiseerde kritische graad in infill-asymptotiek -consistent is en convergeert naar een stabiele Poisson-type verdeling, waarbij de discontinuïteit van de overgangsdichtheid leidt tot een ongebruikelijke likelihood-structuur die via de semimartingaal-eigenschappen wordt geanalyseerd.
Dit artikel introduceert een nieuwe omnibus toets voor de aanpassing van univariate continue verdelingen, gebaseerd op trigonometrische momenten en een verbeterde covariantiestructuur die een goed gekalibreerde -verdeling garandeert, met uitgebreide implementatie voor elf veelgebruikte verdelingsfamilies en bewezen nauwkeurige prestaties in simulaties en een toepassing op weersvoorspelfouten.