38 papers
Dit artikel introduceert een Python-implementatie van geometrische hulpmiddelen voor Kendall's 3D-vormruimte om de kloof tussen theoretische Riemanniaanse geometrie en praktische toepassingen te overbruggen, waarbij bestaande bibliotheken zoals Geomstats worden aangevuld met specifieke functionaliteit voor geavanceerde 3D-vormanalyse.
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 introduceert een hiërarchisch Bayesiaanse schatter voor de variantie bij fijne stratificatie die, in vergelijking met bestaande methoden zoals het samenvoegen van strata en kernschatters, superieure resultaten oplevert met een kleinere frequentistische gemiddelde kwadratische fout en minder vertekening, zoals aangetoond door simulaties en analyses van nationale gezondheids- en mentale gezondheids-enquêtes.
Dit paper introduceert het R-pakket `afttest`, dat nieuwe en bestaande diagnostische tools voor semiparametrische versnelde overlevingstijdmodellen biedt, waaronder een computerefficiënte resampling-methode die de rekentijd aanzienlijk verkort ten opzichte van traditionele bootstrap-technieken.
Dit artikel introduceert en evalueert twee localisatiestrategieën voor sequentiële MCMC-data-assimilatie die weight-degeneratie vermijden en zware-tail fouten hanteren, waarmee ze superieur presteren ten opzichte van traditionele ensemble Kalman-methoden bij het assimileren van niet-lineaire en niet-Gaussische geofysische modellen.
Dit artikel breidt de theoretische eigenschappen en schattingsmethoden voor de Unit Teissier-verdeling uit door nieuwe momenten en karakterisaties af te leiden, diverse schatters te vergelijken via simulaties, en de toepasbaarheid op echte data te demonstreren.
Deze paper introduceert een schattingsprocedure voor semiparametrische niet-lineaire gemengde modellen met gepenaliseerde splines en automatische differentiatie, die in simulaties en een casestudie over de lengtegroei van zuigelingen een verbeterde inferentiële prestatie en een verlaagde computebelasting oplevert ten opzichte van bestaande methoden.
Deze paper introduceert een nieuwe aanpak voor batch Bayesiaans optimaal experimenteel ontwerp door het optimalisatieprobleem te verheffen naar de ruimte van kansmaten en te benaderen via entropisch geregulariseerde objectives en Wasserstein-gradiëntstromen, wat leidt tot schaalbare deeltjesalgoritmen die effectief multimodale landschappen kunnen verkennen.
Deze paper introduceert een momentbewuste, probabilistische analyse van afrondingsfouten die een expliciete betrouwbaarheidsparameter en een variatiegebaseerde benadering biedt om vertekende foutmodellen te behandelen, waardoor nauwkeurigere foutgrenzen worden verkregen dan klassieke deterministische methoden, vooral in lage precisie-rekenomgevingen.
Dit artikel introduceert een unificerend raamwerk dat Hamiltonian Monte Carlo en piecewise-deterministische Markov-proces-samplers verbindt via 'bouncy' Hamilton-dynamica, waardoor een nieuwe, rejectievrije methode ontstaat die concurrerende prestaties levert bij complexe Bayesiaanse inferentieproblemen.
Deze paper introduceert een computationeel efficiënte multi-level Gaussian process regressiemethode voor functionele data met regelmatig gesamplede observaties, die exacte analytische uitdrukkingen voor de log-waarschijnlijkheid en posteriorverdelingen afleidt om de schaalbaarheid van standaardimplementaties aanzienlijk te verbeteren.
Dit artikel introduceert DisSim-FinBERT, een innovatief raamwerk dat tekstvereenvoudiging combineert met aspectgebaseerde sentimentanalyse om de precisie van sentimentvoorspelling in complexe financiële documenten, zoals FOMC-verslagen, te verbeteren.
Deze paper introduceert BLAST, een Bayesiaans raamwerk voor transferlering dat globale-lokale shrinkage-priors en Bayesiaanse bronselectie combineert om in hoge-dimensionale lineaire regressie zowel nauwkeurige inferentie als robuuste onzekerheidskwantificatie te bereiken door nuttige bronnen te benutten en negatieve transfer te voorkomen.
Dit artikel introduceert een op netwerken gebaseerd model dat de heterogene structuur van velden in acht neemt om de verspreiding van Frogeye Leaf Spot bij soja beter te begrijpen en aantoont dat vroege, gerichte verwijdering van zieke planten effectiever is dan willekeurige of vertraagde maatregelen.
Dit artikel introduceert een Bayesiaanse niet-parametrische aanpak voor het leren van eindige mengsels met niet-parametrische componenten, waarbij het identificeerbaarheid, posterior-contractie en een efficiënt MCMC-algoritme worden onderzocht om complexe verdelingen van subpopulaties te schatten.
Dit artikel introduceert Latent-IMH, een efficiënte Bayesiaanse inferentiemethode voor inverse problemen met dure operatoren die, door het gebruik van een goedkope benadering voor het genereren van latente variabelen en een exacte verfijning, aanzienlijk sneller is dan bestaande methoden zoals NUTS.
Dit artikel introduceert een nieuwe regressiemethode die zowel bestand is tegen casewise en cellwise outliers als om kan gaan met ontbrekende waarden, en die bovendien robuuste voorspellingen voor nieuwe data mogelijk maakt.
Dit artikel presenteert een computationeel kader op basis van Monte Carlo-simulaties om de steady-state verdelingen en stabiliteit van stochastische differentiaalvergelijkingen met meervoudige parameteronzekerheden te analyseren, geillustreerd aan de hand van een niet-lineair roofdier-prooidier-model dat multi-modale verdelingen en stabiliteitsregio's onthult.