297 papers
Dit artikel concludeert dat bij het voorspellen van financiële markten, zoals geïllustreerd door de M6-competitie, methoden die gericht zijn op het voorspellen van verwachte waarden en regressie naar de trend, onder omstandigheden van hoge onzekerheid consistent betere resultaten opleveren dan pogingen om exacte waarden te voorspellen of te vertrouwen op hoogvariabele benaderingen.
Deze paper introduceert een robuuste computationele methode die, door het combineren van statistieken van enkel-foton detectie met ruimtelijke correlaties, diepte- en reflectieafbeeldingen mogelijk maakt met slechts ongeveer één foton per pixel, wat een 100-voudige verbetering in foton-efficiëntie biedt ten opzichte van traditionele methoden, zelfs onder sterke achtergrondverlichting.
Deze paper introduceert een nieuw Bayesiaans model voor 210Pb-datering dat, in tegenstelling tot bestaande methoden, een robuust statistisch kader biedt voor het nauwkeurig schatten van ouderdommen en foutmarges in sedimentsequenties.
Dit paper introduceert een optimisme-gebaseerd algoritme voor online KL-geregulariseerd versterkend leren dat, door gebruik te maken van het gunstige optimalisatielandschap, een logaritmische regret-benadering bereikt die de theoretische voordelen van KL-regularisatie voor LLM-finetuning bevestigt.
Dit artikel ontwikkelt en evalueert twee Bayesiaanse methoden voor gevoeligheidsanalyse om tijd-variërende ongemeten verstorende factoren te behandelen bij het schatten van causale effecten in longitudinale observationele data.
Dit artikel bespreekt diverse regressiebenaderingen voor het modelleren van genotype-omgevingsinteractie en het voorspellen van prestaties in nieuwe omgevingen, waarbij wordt aangetoond dat deze methoden binnen een gemeenschappelijk lineair gemengd modelkader vallen en wordt ingegaan op het beoordelen van de onzekerheid van deze voorspellingen aan de hand van rijstproefdata uit Bangladesh.
Dit artikel onderscheidt geopolitieke schokken, die soevereine defaultrisico's direct beïnvloeden, van geoeconomische schokken, die via monetair beleid en de mondiale financiële cyclus werken, en toont aan dat liquiditeitsvoorziening weliswaar de door de financiële cyclus veroorzaakte spreadverbreding kan opvangen, maar niet de aanhoudende geopolitieke risicopremie.
Dit artikel introduceert een bandit-gebaseerde aanpak met Contextual Thompson Sampling voor het genereren van gepersonaliseerde oefenreeksen in online wiskundeonderwijs, die op basis van leerlingdata en prestaties gericht zijn op het maximaliseren van vaardigheidsgroei.
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.
Deze paper lost vertekening in eerlijkheidsbewuste dataherstel op door een Bayesiaanse niet-parametrische stopregel te gebruiken voor het leren van optimale transport-operatoren, waardoor ook archiefdata kan worden gerepareerd en een nieuw evenwicht tussen eerlijkheid en datakwaliteit wordt gedefinieerd.
Dit onderzoek introduceert een nieuwe, robuuste methode op basis van IFU-data om AGN- en sterformatiebijdragen in lokale actieve sterrenstelsels te scheiden, waarbij een matig sterke correlatie wordt gevonden tussen de Eddington-ratio van de AGN en de recente sterformatie, wat suggereert dat hogere accretie gepaard gaat met jonge nucleaire sterformatie.
Dit artikel presenteert een getypeerd raamwerk dat E-waarden en Bayesiaans redeneren scheidt in representatie, validiteit en besluitvorming, waarbij wordt aangetoond dat de likelihood-ratio de unieke coherente bewijsrepresentatie is en dat er fundamentele verschillen bestaan tussen geldigheid en efficiëntie bij sequentiële toetsing.
Dit artikel presenteert een Bayesiaanse aanpak voor het synthetiseren van data en modelleren van SARS-CoV-2-transmissie, waarbij Hamiltonian Monte Carlo wordt aanbevolen boven variational Bayes en fasevlak-analyse wordt gebruikt om infectiecijfers en transmissiedynamiek nauwkeuriger in te schatten ondanks data-onvolledigheid.
Dit artikel presenteert een convergentie- en complexiteitsanalyse voor een blok-majorisatie-minimalisatie-algoritme voor niet-convexe optimalisatie met Riemanniaanse beperkingen, waarbij wordt aangetoond dat het een -stationair punt bereikt binnen iteraties en sneller convergeert dan standaard Euclidische methoden.
Deze paper introduceert een momentbewuste, probabilistische analyse van afrondingsfouten die een expliciete betrouwbaarheidsparameter en een variatiegebaseerde benadering biedt om vertekende foutmodellen te behandelen, waardoor nauwkeurigere foutgrenzen worden verkregen dan klassieke deterministische methoden, vooral in lage precisie-rekenomgevingen.
Dit artikel introduceert een unificerend raamwerk dat Hamiltonian Monte Carlo en piecewise-deterministische Markov-proces-samplers verbindt via 'bouncy' Hamilton-dynamica, waardoor een nieuwe, rejectievrije methode ontstaat die concurrerende prestaties levert bij complexe Bayesiaanse inferentieproblemen.
Deze studie introduceert een innovatieve steekproefmethode voor relationele gebeurtenismodellen die, door gebruik te maken van tijdelijk verschoven niet-gebeurtenissen, de schatting van globale covariaten mogelijk maakt en zo de invloed van factoren als weer en tijdstip op de fietsverhuur in Washington D.C. aantoont.
Deze paper introduceert een computationeel efficiënte multi-level Gaussian process regressiemethode voor functionele data met regelmatig gesamplede observaties, die exacte analytische uitdrukkingen voor de log-waarschijnlijkheid en posteriorverdelingen afleidt om de schaalbaarheid van standaardimplementaties aanzienlijk te verbeteren.
Dit paper introduceert een methode voor het identificeren van causale generalized linear models via Pearson-risicoinvariantie, die zelfs met data uit één omgeving mogelijk is en geïmplementeerd is in het R-pakket causalreg.