207 papers
AgroDesign is een Python-framework dat experimentele opzet centraal stelt in de statistische analyse van landbouwkundige proeven, waardoor de vertaling naar geldige lineaire modellen wordt geautomatiseerd en de reproduceerbaarheid en interpretatie van complexe ontwerpen zoals split-plot en multi-omgevingsproeven worden verbeterd.
Dit artikel introduceert een geïntegreerd raamwerk voor online betrouwbaarheidsvoorspelling van satellietelektronica dat een Wiener-procesdegradatiemodel combineert met een adaptieve actieve leerverstappen om nauwkeurige voorspellingen te mogelijk maken ondanks beperkte data en variabiliteit.
Deze paper introduceert de MM-test, een distributie-vrije methode die gekoppeld is aan een knockoff-procedure om ruimtelijk variabele genen in zowel 2D- als 3D-spatiale transcriptomics-data te screenen met een betere prestatie en theoretische garanties dan bestaande methoden.
Deze paper introduceert een volledig Bayesiaans raamwerk voor ongenormaliseerde modellen dat de normaliserende constante als een onbekende parameter behandelt binnen een contrastieve schattingsbenadering, waardoor nauwkeurige schatting en principieel onzekerheidskwantificering mogelijk worden zonder de complexe tuning die score-gebaseerde methoden vereisen.
Deze paper introduceert een unificerend raamwerk voor anomaliedetectie dat observaties met een ongewoon lage waarschijnlijkheid identificeert via hun surprisal en de bijbehorende uitzonderlijkheid berekent met behulp van robuuste schatters voor de staart van de surprisalverdeling, zoals een empirische methode en een Generalized Pareto Distribution-schatter.
Deze paper introduceert een unifyend kader voor traditionele en convexe niet-negatieve matrixfactorisatie (NMF) met Tweedie- en Negatief Binomiale kostenfuncties, waarbij nieuwe Majorize-Minimiseer-update-regels worden afgeleid en empirisch gevalideerd om te tonen dat de keuze van het ruismodel cruciaal is voor modelfit en dat convexe NMF een robuust alternatief biedt bij grote aantallen klassen.
Dit paper introduceert een nieuw hiërarchisch multi-task multi-fidelity framework voor Gaussian processen dat de uitdagingen van grote databehoeften en heterogene datakwaliteit in de productie-effectieve surrogate-modellering tegelijkertijd aanpakt, wat resulteert in een tot 23% hogere voorspellingnauwkeurigheid.
Dit artikel presenteert een Bayesiaanse adaptieve verrijkingdesign die historische samenvattingsdata gebruikt om individuele behandeladviezen te optimaliseren, wat leidt tot efficiëntere proefopzetten met hogere power en kleinere steekproefgroottes.
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.
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 introduceert een gestructureerd semiparametrisch raamwerk dat dubbel machine learning combineert met modellen voor algoritmekeuze en kijkersrespons om de vertekende schattingen van behandelingseffecten door algoritmische interferentie in tweezijdige markten te corrigeren en zo nauwkeurige globale effecten voor platformrollouts te kunnen bepalen.
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 paper introduceert StablePCA, een distributioneel robuust raamwerk voor het leren van gedeelde representaties uit multi-bron data, waarbij een convex relaxatie en een efficiënt Mirror-Prox-algoritme worden ontwikkeld om de uitdagingen van de niet-convexe rangbeperking te overwinnen met gegarandeerde convergentie.
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 paper introduceert methoden voor split-conformale voorspelling die, naast marginale dekking, ook operationele garanties bieden voor besluitvormingsfrequentie en foutblootstelling door middel van kleine-steekproefcorrecties, onafhankelijke audits en een geometrische analyse van de afwegingen tussen deze operationele grootheden.
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.