161 papers
Dit artikel presenteert een convex schatter voor de drift van hoogdimensionale Lévy-gedreven Ornstein-Uhlenbeck-processen die een laag-rang plus spaarzaam decompositie benut, en bewijst een niet-asymptotische orakelongelijkheid die aantoont dat deze structuur de afhankelijkheid van de omgevingsdimensie verbetert ten opzichte van puur spaarzame schatters.
Dit artikel bewijst wiskundig en valideert numeriek dat chemische reactienetwerken zonder verborgen lagen bepaalde classificatietaken efficiënter en nauwkeuriger kunnen leren dan spiking-neuronale netwerken die wel verborgen lagen vereisen.
Dit artikel biedt een kwantitatieve theoretische analyse van vergeten tijdens post-training van generatieve modellen, waarbij wordt aangetoond dat de richting van de divergentie (forward-KL versus reverse-KL), de overlap tussen taken en het gebruik van replay bepalen of massaal vergeten optreedt of dat vergeten beperkt blijft tot een gecontroleerde drift.
Deze paper bewijst een centrale limietstelling voor netwerkvormingsmodellen met strategische interacties en homofiele agenten door stabilisatievoorwaarden te gebruiken om zwakke afhankelijkheid te karakteriseren, waardoor betrouwbare inferentie op grote netwerken mogelijk wordt.
Deze paper introduceert een nieuwe, robuuste schatter voor polychorische correlaties die minder gevoelig is voor modelmisspecificaties (zoals zorgeloze respondenten) dan de traditionele maximum likelihood-methode, zonder extra rekenkosten en met behoud van statistische consistentie.
Dit artikel toont aan dat een mengsel van niet-centrale Wishart-verdelingen met dezelfde vrijheidsgraden opnieuw een niet-centrale Wishart-verdeling oplevert, en gebruikt dit resultaat om de verdeling van toetsstatistieken voor toevalseffecten in meervoudige factorontwerpen met meervoudig normale data af te leiden, waarmee eerdere eendimensionale bevindingen worden uitgebreid.
Dit artikel toont aan dat schaalbare pseudo-waarschijnlijkheidsschattingen voor willekeurige grafen met afhankelijke randen en toenemende dimensie convergeren, waarbij de invloed van fase-overgangen en model-nabij-degeneratie wordt geanalyseerd en toegepast op een nieuwe klasse van generaliseerde -modellen.
Dit artikel presenteert een M-estimator voor het schatten van een onbekend veranderpunt en de bijbehorende diffusiviteitswaarden in een stochastische warmtevergelijking met een ruimtelijk variërende diffusiviteit, waarbij de schatters respectievelijk convergeren met de snelheid en op basis van lokale ruimtelijke metingen.
Dit artikel karakteriseert de noodzakelijke en voldoende voorwaarden waaronder de kleinste-kwadraten-schatting (LSE) minimax-optimaal is in een Gaussisch sequentiemodel met convexe restricties, door de relatie tussen de optimale risico's en de lokale Gaussische breedte van de constraint-set te analyseren.
In dit artikel wordt aangetoond dat geavanceerde matrixconcentratie-ongelijkheden de dimensionale factor in de convergentiesnelheid van matrixcompletie kunnen elimineren, waardoor de optimaliteit van de minimax-snelheid voor drie populaire schatters wordt bewezen.
Dit artikel bepaalt de minimax-snelheid voor robuuste schatting van het gemiddelde onder een ster-vormige constraint in een setting met willekeurige corruptie en sub-Gaussische ruis, waarbij de snelheid wordt bepaald door de lokale entropie van de constraint en de corruptiegraad.
Dit artikel introduceert een empirisch functionaal dat, door Talagrand's generieke kettingmechanisme te combineren met optimale middenschattingen, een optimale uniforme middenschatting biedt voor een klasse van functies onder minimale aannames.
Dit artikel presenteert schatters voor het relatieve risico, de odds ratio en hun logaritmen, gebaseerd op een tweestaps sequentiële steekproefstrategie die gegarandeerde nauwkeurigheid en een gecontroleerde steekproefverhouding biedt, met een efficiëntie die dicht bij de Cramér-Rao ondergrens ligt.
Dit artikel levert explicite foutgrenzen in totale variatieafstand voor de benadering van het aantal maximums en near-maxima in onafhankelijke steekproeven, waarbij gebruik wordt gemaakt van logaritmische en Poisson-verdelingen voor discrete variabelen en een negatief-binomiale verdeling voor continu variabelen, met illustraties voor geometrische, Gumbel- en uniforme verdelingen.
Dit artikel introduceert een volledig Bayesiaanse methode voor het automatisch construeren van onregelmatige histogrammen die zowel het aantal bins als hun locaties selecteren op basis van de data, waarbij bewezen wordt dat de schatter consistent is en de minimax convergentiesnelheid bereikt.
Deze paper introduceert een methode die neurale actieve variëteiten gebruikt om de ingangsruimte van complexe modellen te reduceren tot één dimensie, waardoor stratified sampling in hoge dimensies mogelijk wordt door partities te creëren die de niveau-lijnen van het model volgen en zo de variantie van schattingen verlagen.
Dit paper introduceert een principieel raamwerk voor het testen van de meest invloedrijke datasets in lineaire kleinste-kwadratenmodellen, waarbij exacte formules en extreme-waardeverdelingen worden gebruikt om statistisch onderbouwde hypothesetoetsen uit te voeren om te bepalen of invloed buitensporig is ten opzichte van natuurlijke variatie.
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 ontwikkelt een minimax-theorie voor operatorleer die aantoont dat het schatten van Lipschitz-continuïteitsoperatoren tussen Hilbertruimtes inherent lijdt aan een vloek van de steekproefcomplexiteit, waarbij de risico's niet algebraïsch kunnen afnemen met de steekproefgrootte, ongeacht de regulariteit van de operator.
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.