222 papers
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 cc-Shapley, een methode die causale kennis integreert in Shapley-waarden om misleidende multivariate feature-importances veroorzaakt door collider-bias te corrigeren en zo betrouwbare inzichten voor explainable AI te garanderen.
Dit artikel introduceert nieuwe proximaal causale inferentiemethoden die, door gebruik te maken van externe controlegegevens en specifieke variabele strategieën, de effectiviteit van cabotegravir in een HIV-preventiestudie betrouwbaar kunnen vergelijken met een placebo, zelfs bij lage incidentiepercentages en ongemeten verschillen tussen studies.
Dit artikel introduceert een methodologisch kader voor variabele selectie in lineaire regressie-imputatie van surveydata, waarbij een optimale imputatiemodel wordt gedefinieerd en asymptotisch geldige betrouwbaarheidsintervallen worden ontwikkeld die ook gelden na modelselectie.
Dit artikel introduceert KRAFTY, een flexibel raamwerk op basis van de getransponeerde Khatri-Rao-matrix dat de ware gezamenlijke clusterstructuur in meervoudige datasets kan herstellen en selecteren, zelfs wanneer individuele weergaven slechts gedeeltelijke informatie onthullen.
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.
Deze studie introduceert een schaalbaar multi-fidelity tensor-emulator die lage- en hoogwaardige data combineert via tensor-decompositie en Gaussian-processen om de rekenkosten voor de analyse van complexe spatiotemporele processen, zoals Arctisch zee-ijs, aanzienlijk te verlagen terwijl de voorspellingnauwkeurigheid en onzekerheidskwaliteit worden verbeterd.
Dit artikel presenteert een robuuste schatter voor diffusieprocessen op basis van -divergentie, die uitbijters in hoogfrequente data aangepakt door de overgangsdichtheid te benaderen met een Gaussische verdeling en de asymptotische eigenschappen en invloedfuncties van de schatter analyseert.
Dit paper introduceert een nieuwe pipeline voor het modelleren van cyklostationaire tijdreeksen met behulp van ANOVA Simultane Componentenanalyse (ASCA), een methode die statistische inferentie combineert met multivariate visualisatie om complexe patronen in observationele data beter te analyseren dan traditionele ANOVA.
Dit artikel introduceert een nieuwe MPC-regelkaart gebaseerd op functionele grafische modellen die de monitoring van covariantiestructuren in multichannel profielen mogelijk maakt door middel van een niet-parametrische combinatie van likelihood-ratio-tests, waardoor subtiele en spaarzame veranderingen effectief kunnen worden gedetecteerd.
Dit paper introduceert TS-BOSS, een schaalbaar en theoretisch onderbouwd algoritme voor het leren van causale structuren in multivariate tijdreeksen dat, door een permutatiegebaseerde zoektocht te combineren met grow-shrink trees, superieure prestaties boekt in regimes met hoge auto-correlatie vergeleken met bestaande methoden.
Dit artikel introduceert Levy-gedreven graf-supOU-processen als een zuinige parametrisatie voor hoogdimensionale tijdreeksen die zowel kort- als langetermijndependentie en een grafstructuur voor componentafhankelijkheid verenigt, en presenteert een consistent en asymptotisch normaal geschatte methode van momenten die wordt gevalideerd via simulaties en een empirische studie van windcapaciteitsfactoren in een Europees elektriciteitsnetwerk.
Dit artikel introduceert de Discrete Chi-kwadraat-methode (DCM) als een robuust alternatief voor traditionele frequentiedomein-methoden, dat door gebruik te maken van het Venster-Dimensie-effect en de Gauß-Markov-stelling in staat is om complexe tijdreeksen zoals El Niño-data van 1870 tot 2024 nauwkeurig te modelleren en te voorspellen.
Deze paper introduceert een statistisch kader dat aantoont dat synthetische augmentatie niet altijd helpt bij onbalans, en stelt een gevalideerde methode voor om de optimale hoeveelheid synthetische data te bepalen op basis van de generatornauwkeurigheid en de lokale asymmetrie van de data.
Dit paper pleit voor een nieuw paradigma in causaal leren dat de wijsheid van de menigte benut door een systematisch kader te introduceren voor het synthetiseren van gefragmenteerde kennis van menselijke experts en LLM-agenten om complexe causale structuren te reconstrueren die individuele agenten niet kunnen ontdekken.
Dit artikel introduceert een nieuwe, adaptieve strategie voor parameterselectie in kernel-gebaseerde gradiëntafdaalalgoritmen die, gebaseerd op empirische effectieve dimensie en geïntegreerde bias-variatieanalyse, optimale generalisatiefouten garandeert en superieur is aan bestaande methoden.
Dit paper introduceert CausalMix, een variational generatief framework dat de trade-off tussen realisme en causal controle in synthetische data oplost door een mixtuur van Gaussische priors te koppelen aan specifieke decoders, waardoor onderzoekers overlap, verstorende factoren en effectheterogeniteit onafhankelijk kunnen manipuleren voor robuuste causaliteitsstudies.
Dit artikel introduceert de projectie-isotrope normale verdeling als een model voor EEG-fasestudies onder flitsstimulatie, waarbij nieuwe eigenschappen worden afgeleid, benaderingen voor de gemiddelde resultante worden ontwikkeld en de methode wordt gevalideerd met echte EEG-data.
Dit paper introduceert het Pivotal Information Criterion (PIC), een methode die de beperkingen van bestaande criteria oplost door een continue optimalisatie te gebruiken en de penalty-parameter dynamisch te selecteren op de detectiegrens, wat resulteert in een superieure modelselectie met minder valse ontdekkingen en minder complexiteit.
Dit paper introduceert een nieuwe, contextuele en specifieke kwantitatieve definitie van privacy die gebaseerd is op Bayesiaanse besluitvorming en een meer betekenisvol en rigoureus alternatief biedt voor bestaande frameworks zoals differentieel privacy en statistische openbaarmakingstheorie.