222 papers
Deze paper introduceert drie schaalbare algoritmen op basis van Variational Bayes en Expectation Propagation voor de benadering van de posteriorverdeling in cumulatieve probit-regressiemodellen, die bij grote datasets superieure rekenprestaties en nauwkeurigheid bieden ten opzichte van traditionele MCMC-methode.
Dit artikel presenteert een systematische evaluatie van GPT- en Gemini-modellen die aantoont dat deze grote taalmodellen effectief optimale tweeledige fractionele factoriële ontwerpen kunnen genereren voor experimenten met 8, 16 of 32 runs en maximaal acht factoren.
Dit artikel presenteert een Bayesiaanse tweestapsbenadering die onzekerheid in de subgroepidentificatie meeneemt in de effectschatting, waardoor beter gekalibreerde betrouwbaarheidsintervallen worden verkregen voor gepersonaliseerde geneeskunde, zoals geïllustreerd in een COVID-19-proef.
Dit onderzoek toont aan dat, hoewel het verwaarlozen van reversibiliteit in evolutionaire accumulatiemodellen tot fouten leidt, deze benaderingen toch betrouwbare inzichten kunnen bieden in de volgorde van verwerving en de kernstructuur van evolutionaire paden.
Dit artikel betoogt dat standaard pseudorandom-getalgeneratoren de causale validiteit van agent-gebaseerde modellen ondermijnen door hun afhankelijkheid van de uitvoeringsvolgorde, en stelt dat het combineren van teller-gebaseerde generatoren met gebeurtenis-ID's een noodzakelijke oplossing biedt om de causale coherentie van contrafactuele simulaties te herstellen.
Deze paper introduceert CausalTimePrior, een raamwerk voor het genereren van synthetische tijdsreeksen met zowel observationele als interventionele data om prior-data aangepaste netwerken (PFNs) te trainen voor causale foundation modellen in tijdsreeksanalyse.
Dit artikel introduceert een partition-based functional ridge regression-framework dat multicollineariteit en overfitting in hoog-dimensionale functionele lineaire modellen aanpakt door de coëfficiëntfunctie te decomponeren in dominante en zwakkere effecten voor differentieel straffen, wat resulteert in verbeterde numerieke stabiliteit, interpretatie en voorspellende prestaties.
Dit paper presenteert een continu-tijd stochastisch model en een bijbehorende bootstrap-methode voor het schatten van de volledige predictieve verdeling van claimsreserves binnen het kader van Schnieper's model, waarbij asymmetrie en niet-negativiteit op natuurlijke wijze worden gewaarborgd.
Dit artikel introduceert de 'outrigger' lokale polynoomschatter, een robuuste methode voor niet-parametrische regressie die distributieve aanpassingsvermogen biedt zonder strenge aannames over de foutverdeling, en die theoretisch bewezen asymptotisch optimaal is ten opzichte van de standaard schatter.
Dit artikel introduceert een unificerend framework genaamd wcPCA voor worst-case laag-rang benaderingen dat, in tegenstelling tot standaard PCA, robuuste prestaties garandeert over heterogene domeinen door de ergste-case variantie te minimaliseren binnen het convexe omhulsel van de broncovarianties.
Dit artikel introduceert een dubbel robuuste schatter met kruisfitting en een jackknife-gebaseerde ruimtelijke HAC-variatiecorrectie om geldige statistische inferentie mogelijk te maken in scenario's met voorspelde, gemiste labels en ruimtelijke afhankelijkheid, waarbij het een oplossing biedt voor de vervorming van variantieschattingen die door kruisfitting wordt veroorzaakt.
Deze paper introduceert een nieuwe methode voor multivariate functionele hoofdcomponentenanalyse van gemengde mHealth-gegevens, die via een semiparametrisch Gaussische copula-model tijdsgebonden patronen in stemming en activiteit onthult om subtypen van stemmingsstoornissen effectief te onderscheiden.
Deze paper introduceert een nieuwe Bayesiaanse semi-modulaire inferentiemethode voor copula-modellen die, door het toekennen van afzonderlijke invloedparameters aan elke marginaal via Bayesiaanse optimalisatie, robuustere schattingen mogelijk maakt in het geval van potentiële misspecificatie van de randverdelingen.
Deze paper introduceert een nieuw transfer learning-framework voor overlevingsanalyse dat voorspellende kennis overdraagt in plaats van verdelingskennis, waardoor het model robuuster is bij beperkte doelpopulaties en geen toegang vereist tot individuele brondata.
Dit artikel introduceert dynamische Bayesiaanse regressie-quantilesynthese (DRQS) en de multivariate uitbreiding FDRQS, nieuwe methoden die binnen het Bayesiaanse voorspellingskader meerdere modellen combineren om conditionele quantielen te voorspellen en zo, vooral tijdens economische stressperiodes zoals de pandemie, superieure prestaties leveren vergeleken met bestaande benaderingen.
Deze paper introduceert een sequentiële methode voor het genereren, tellen en steekproeven van bipartiete, gerichte en ongerichte grafen met voorgeschreven graadsequenties, waarbij een noodzakelijke en voldoende intervalvoorwaarde wordt vastgesteld om globale haalbaarheid te garanderen en de schaalbaarheid naar grote instanties wordt verbeterd.
Dit artikel introduceert een conservatieve variantie-schatter die robuust is voor heterogene gemiddelden en tweeweg-clusterafhankelijkheid, waardoor de onderverdeling van variantie en de daaruit voortvloeiende oversized tests worden verholpen.
Dit artikel presenteert een nieuw robuust raamwerk voor het gezamenlijk modelleren van continue en binaire responsvariabelen, dat gebruikmaakt van de dichtheidskrachtdivergentie en -regularisatie om uitbijters te weerstaan en tegelijkertijd nauwkeurige, sparse schattingen te leveren in hoogdimensionale settings.
Deze studie presenteert een methode voor het gelijktijdig schatten van meerdere discrete unimodale distributies onder stochastische ordebeperkingen, die bij kleine steekproefgroottes de Jensen-Shannon-divergentie aanzienlijk verlaagt ten opzichte van bestaande methoden.
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.