161 papers
Dit artikel introduceert en analyseert twee online conformale voorspellingsalgoritmen die driftdetectie gebruiken om optimale training-voorwaardelijke regret te bereiken bij niet-stationaire datastromen, afhankelijk van of de niet-conformiteitscores vooraf zijn getraind of online worden aangepast.
Dit artikel toont aan dat voor uitwisselbare Bernoulli-sequenties de martingaal-posterior-framework van Fong, Holmes en Walker doorgaans onvoldoende is om meervoudige voorspellingsverdelingen eenduidig te bepalen, omdat deze enkel de eerste momenten constraineert en hierdoor afwijkt van de volledige Bayesiaanse voorspelling, tenzij de voorwaardelijke wet van de eindwaarde uniek is vastgelegd.
Dit artikel presenteert een Bayesiaanse machine learning-analyse van de Collatz-stoptijden voor , waarbij een hiërarchisch Negatief Binomiaal regressiemodel en een mechanistische generatieve benadering worden vergeleken om aan te tonen dat modulaire structuur (met name modulo 8) cruciaal is voor het verklaren van de heterogeniteit in deze tijden.
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.
Deze studie bewijst een strikte variationale en gradiëntgebaseerde equivalentie tussen het klassieke K-Means-algoritme en differentieerbare Radiale Basisfunctie-netwerken, waarbij het introduceren van Entmax-1.5 numerieke stabiliteit garandeert en zo een brug slaat tussen discrete partitie en continue optimalisatie voor end-to-end differentiabele clustering.
In dit artikel worden twee consistente en asymptotisch normale schatters voorgesteld voor de kansen op het bestaan van een rand in een dynamisch Erdős-Rényi-graaf, waarbij de schattingen uitsluitend gebaseerd zijn op waarnemingen van de populatieverdeling over de knopen en niet op de graafstructuur zelf.
Dit artikel levert uniforme convergentiesnelheden voor kernelgemiddelden op vast ontworpen roosters met heterogene afhankelijke data, waarbij de analyse de roosterstructuur benut om bestaande resultaten voor willekeurige ontwerpen aan te vullen en toe te passen op lokale lineaire schatters in niet-parametrische regressiemodellen met tijdsvariërende autoregressieve fouten.
Deze paper ontwikkelt een verenigde theorie voor tweede-orde asymptotische optimaliteit bij sequentiële meervoudige toetsing, waarmee wordt aangetoond dat bepaalde procedures niet alleen eerste-orde optimaal zijn, maar ook dat het verschil in verwachte steekproefgrootte met het theoretische minimum uniform begrensd blijft, en wordt een verfijnde asymptotische expansie voor dit minimum afgeleid.
Dit artikel introduceert een versterkte vorm van de ongelijkheid van van Trees die uniform strakkere ondergrenzen biedt voor de minimax Bayes-risico's, inclusief voor priors die niet verdwijnen aan de randen, en waarmee exacte of scherpe constanten voor niet-parametrische schatters kunnen worden afgeleid die met de klassieke methode niet haalbaar zijn.
Deze studie bewijst de sterke consistentie en afleidt convergentiesnelheden voor de lokale lineaire schatter in een gegeneraliseerd niet-parametrisch regressiemodel met afhankelijke functionele data, en toont via simulaties en een energieconsumptievoorspelling aan dat deze schatter superieur presteert ten opzichte van de lokale constante schatter.
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 artikel introduceert een robuust parametrisch raamwerk op basis van de Minimum Density Power Divergence Estimator (MDPDE) voor de detectie van jumps in hoogfrequente CIR- en CKLS-modellen, waarbij gebruik wordt gemaakt van asymptotische scheiding tussen diffusie- en jumpsprongen om een consistent en statistisch valide classificatieproces te garanderen.
Dit artikel presenteert nieuwe en scherpere Berry-Esseen-schattingen voor de parameterindicatie van Gaussische processen bij hoge frequentie, met name voor Ornstein-Uhlenbeck-processen, door middel van de tweede-moment-schatting en nieuwe technieken voor cumulanten.
Deze studie onderzoekt de extremen van een schaars en equicorrelatief Gaussisch veld op een driehoek, identificeert de drempelwaarde waarbij de standaard Gumbel-verdeling faalt, en past deze bevindingen toe op meervoudige toetsing om eerdere open vragen op te lossen.
Dit artikel toont aan dat voorspellende inferentie wordt geregeerd door vier onderling niet-nestede admissibiliteitsgeometrieën met elk hun eigen optimaliteitscertificaat, waardoor admissibiliteit onherroepelijk afhankelijk is van het gekozen criterium.
Deze paper ontwikkelt een uitgebreide statistische theorie die de optimaliteit van empirisch risicominimaliserende beslissingsbomen bewijst door scherpe orakelongelijkheden af te leiden en minimax-optimale rates te vaststellen voor een nieuw functioneel klasse dat sparsiteit, anisotrope gladheid en ruimtelijke heterogeniteit omvat.
Dit artikel introduceert een thermodynamisch responsframework dat temperingsafgeleiden en covariantie-identiteiten gebruikt om de complexe geometrie van singuliere Bayesiaanse modellen te verenigen, waarbij concepten zoals de RLCT en WAIC een natuurlijke interpretatie krijgen als responsfuncties die structurele herorganisatie en voorspellende variabiliteit kwantificeren.
Dit artikel levert een theoretische analyse van de deterministische ensemble transform Kalman filter (ETKF) voor oneindig-dimensionale niet-lineaire dynamische systemen en bewijst dat een uniform-in-tijd foutbound kan worden bereikt door het gebruik van een geschikte covariantie-inflatie.
Dit artikel biedt een informatie-theoretische onderbouwing voor score-gestuurde modellen door aan te tonen dat deze updates, ongeacht modelmisspecificatie of niet-concaviteit, de verwachte Kullback-Leibler-divergentie reduceren als de verwachte updaterichting positief correleert met de verwachte score.
Dit artikel bepaalt de drempel voor detectie van correlatie in een paar gecorreleerde stochastische blokmodellen met lage graad-polynomen, waarbij wordt aangetoond dat detectie mogelijk is dan en slechts dan als de subsampling-kans de minimumwaarde van de wortel van de constante van Otter en de Kesten-Stigum-drempel overschrijdt.