161 papers
Deze paper introduceert een sequentieel algoritme dat multivariate Cochran-type toetsen en een meervoudige bootstrap-methode combineert om centra in multi-centrumstudies automatisch te groeperen op basis van hun parameters, waarbij bewezen wordt dat de ware verdeling met toenemende steekproefgrootte en het aantal rondes met hoge waarschijnlijkheid wordt hersteld.
Deze paper introduceert een meetkundig raamwerk op basis van hoofdvezelbundels om de fundamentele beperkingen en kansen bij het leren van differentiaalvergelijkingen die de evolutie van tijdsafhankelijke netwerken besturen via Random Dot Product Graphs te analyseren, waarbij het de onlosmakelijke relatie tussen geometrische kromming, statistische onzekerheid en de identificeerbaarheid van dynamica belicht.
Dit paper introduceert een nieuwe minimax-theorie voor niet-parametrische regressie onder covariatenverschuiving met onbegrensde steunpunten, waarbij de convergentiesnelheden worden bepaald door een transferfunctie en een adaptieve schatter de optimale snelheden bereikt, inclusief regimes die sneller zijn dan de beste van de bron- of doelpopulatie alleen.
Deze paper introduceert 'Artificial Replay', een nieuw experimenteel ontwerp dat de kosten van het vergelijken van multi-armed bandit-algoritmen halveert door bestaande trajecten opnieuw te gebruiken, terwijl het tegelijkertijd een onbevooroordeelde schatter biedt met een sublineaire variantie.
Dit artikel toont aan dat de Whittle-schatting voor Lévyaangedreven CARMA-modellen, waargenomen op hernieuwingsmomenten, consistent en asymptotisch normaal is onder zeer milde voorwaarden, mede dankzij de gevestigde asymptotische normaliteit van het geïntegreerde periodogram.
Dit artikel introduceert een hiërarchisch Bayesiaans dynamisch spel voor competitieve voorraad- en prijsbepaling onder onvolledige informatie, waarbij firms leren, strategische overtuigingen bijwerken en beslissingen nemen op basis van een 'credible-risk'-criterium dat toekomstige winst beloopt en posterioronzekerheid straft.
Dit artikel presenteert een analyse van Lasso- en Slope-schattingen voor de driftmatrix van hoog-dimensionale, door Lévy-processen aangedreven Ornstein-Uhlenbeck-processen op basis van discrete waarnemingen, waarbij scherpe niet-asymptotische oracle-ongelijkheden worden afgeleid die de optimaliteit van de convergentiesnelheden in een hoog-frequentie regime aantonen.
Dit artikel bewijst dat betrouwbare (faithful) Bayesiaanse netwerken, inclusief die met latente variabelen, een dicht en open deel uitmaken van verschillende veelvoorkomende parametrische en niet-parametrische klassen, wat de consistentie garandeert van beperkingsgebaseerde causale ontdekkingsalgoritmen zoals PC en FCI op een 'typische' verzameling van netwerken.
Dit artikel presenteert een arbitragevrije waardering voor herverzekering tegen catastrofe-stoploss met een compound dynamic contagion-proces, waarbij de Esscher-transformatie wordt gebruikt om premies te berekenen die rekening houden met opkomende risico's zoals klimaatverandering en cyberaanvallen.
Deze paper verbetert de theoretische begrip van Flow Matching door convergentiegaranties voor de Wasserstein-1-afstand af te leiden die gelden voor bepaalde ongebounded verdelingen zonder de vereiste van log-concaviteit, wat resulteert in een snellere convergentie in hoogdimensionale settings.
Dit artikel introduceert nieuwe asymptotische resultaten en praktische betrouwbaarheidsintervallen voor de adaptieve LASSO-schatter in cointegratieregressies met regressoren die dicht bij een eenheidswortel liggen, waarmee de beperkingen van de traditionele orakel-eigenschap worden overwonnen en betrouwbare onzekerheidskwantificering mogelijk wordt gemaakt zonder kennis van lastige parameters.
Dit artikel bepaalt de scherpe informatie-theoretische drempels voor het detecteren van latente geometrie in bipartiete willekeurige meetkundige grafen met ruis, en toont aan dat het probleem aanzienlijk eenvoudiger is wanneer het masker bekend is, terwijl de auteurs via een nieuw Fourier-analytisch raamwerk computatie-statistische kloven uitsluiten.
Dit artikel sluit een bestaande kennislacune door een expliciete asymptotische expansie voor de logaritme van hoog-dimensionale Laplace-integralen af te leiden die geldig blijft tot vlakbij de concentratiedrempel, wat leidt tot nauwkeurige analytische benaderingen voor verwachtingen en efficiënte steekproefmethoden via polynomiale transporten.
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 artikel breidt conformale e-predicatie uit naar situaties met waargenomen verstorende factoren tussen het object en de label , zowel voor onafhankelijke en identiek verdeelde data als voor gevallen met afhankelijkheid tussen observaties.
Dit artikel presenteert een niet-parametrische regressiemethode op basis van diepe neurale netwerken en het principe van minimale foutentropie voor sterk gemengende data, waarbij wordt aangetoond dat zowel niet-gestraalde als straal-gestraalde schatters de minimax-optimale convergentiesnelheid bereiken.
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.
Deze studie toont aan dat beslissingen over procescapaciteit op basis van vaste drempelwaarden (zoals ) inherent onstabiel zijn bij kleine steekproeven, waarbij de kans op een aanvaarding bij een waarheid op de drempel naar 50% convergeert en zelfs kleine afwijkingen leiden tot aanzienlijke risico's op inconsistente vrijgavebeslissingen.
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.
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.