252 papers
Dit artikel introduceert de 'Pairwise Last Observation Time' (PLOT) methode, een robuuste en modelvrije aanpak voor het evalueren van behandelingseffecten in longitudinale studies met intercurrente gebeurtenissen zoals overlijden, die zonder structurele aannames werkt door patiënten te vergelijken op het laatste meetpunt voorafgaand aan een dergelijke gebeurtenis.
Dit paper introduceert nieuwe absolute clusterindices om de compactheid en scheidbaarheid van clusters te bepalen en zo het optimale aantal clusters in een dataset te identificeren, waarbij de prestaties worden vergeleken met bestaande validatiemethoden.
Deze studie verlegt de aanname van afwezigheid van ongemeten gemeenschappelijke oorzaken in vaccinatieproeven en leidt niet-parametrische causaliteitsgrenzen af voor verschillende types van vaccinvaccinatie-effectiviteit, gebruikmakend van lineaire programmering en monotonie-methoden.
Dit paper introduceert de empirische Orlicz-norm als schatter voor de Orlicz-norm van een verdeling, bewijst een wet van de grote getallen, en onthult dat voor de centrale limietstelling soms een niet-standaard convergentiesnelheid en een zwaarstaartige limietverdeling optreden, terwijl er over het algemeen geen uniforme convergentiesnelheid bestaat voor de klasse van verdelingen met een begrensde Orlicz-norm.
Dit artikel introduceert Augmented Time Series Causal Models (ATSCM), een methode die neurale causale ontdekking combineert met contrasterend redeneren om de complexe, dynamische oorzakelijke relaties in energiemarkten te modelleren en scenario's voor hernieuwbare energie te simuleren.
Deze paper introduceert het TNCM-VAE-model, een nieuwe methode die variatie-automatische coderingen combineert met structurele causale modellen om synthetische financiële tijdreeksen te genereren die zowel temporele afhankelijkheden als causale relaties behouden voor verbeterde tegenfeitelijke analyse en risicobeoordeling.
Hoewel het artikel een theoretisch uitbreiding van causale speltheorie naar sequentiële settings introduceert, concludeert het dat deze aanpak geen welvaartswinst biedt ten opzichte van klassieke Stackelberg-evenwichten, omdat rationele terugwaartse afleiding elke strategische meerwaarde van causale lagen elimineert.
Dit artikel introduceert een nieuw gemengd blok -model voor het gelijktijdig modelleren van sterke en zwakke balans in heterogene gesigneerde netwerken, waarbij de identificeerbaarheid wordt bewezen en een efficiënt algoritme wordt ontwikkeld voor consistente gemeenschapsdetectie.
Deze paper introduceert en analyseert varianten van random forests die gebaseerd zijn op het principe van maximum risicominimalisatie (MaxRM) om de generalisatie over verschillende omgevingen te verbeteren, waarbij de auteurs efficiënte algoritmen, statistische consistentie en nieuwe out-of-sample garanties bieden.
Dit paper introduceert 'Bayese windtunnels' om aan te tonen dat transformatoren via een specifiek geometrisch mechanisme in hun residual streams en attention-lagen exacte Bayesiaanse inferentie uitvoeren, terwijl vergelijkbare MLP-architecturen hierin falen.
Dit artikel onthult dat cross-entropy-training in transformers via een gekoppeld dynamisch systeem van 'voordeel-gebaseerd routeren' en 'verantwoordelijkheids-gewogen updates' de interne geometrie vormgeeft, waardoor optimering leidt tot Bayesiaanse manifolds die in-context probabilistisch redeneren mogelijk maken.
Deze paper introduceert een nieuwe methode voor het bemonsteren van niet-genormaliseerde Boltzmann-dichtheden door Langevin-samplers te combineren met een stochastisch interpolant-gebaseerde flow ODE, wat leidt tot efficiënte simulatie en robuuste snelheidsschatting met gegarandeerde convergentie.
Dit artikel introduceert een transfer learning-methode voor functionele lineaire regressie die gebruikmaakt van controlevariaties om privacy-bewuste schattingen mogelijk te maken, waarbij voor het eerst een theoretisch verband wordt gelegd met offset-transfer learning en rekening wordt gehouden met discretisatiefouten.
Dit artikel presenteert kwantitatieve foutgrenzen voor Bayes' inverse problemen met generatieve priors, waarbij wordt aangetoond dat de posterieure fout onder bepaalde aannames dezelfde convergentiesnelheid volgt als de prior in de Wasserstein-1-afstand, wat wordt gevalideerd door numerieke experimenten.
Deze paper introduceert HaKAN, een lichtgewicht en interpreteerbaar model voor multivariate tijdsreeksvoorspelling dat Kolmogorov-Arnold-netwerken met Hahn-polynomen combineert om de beperkingen van Transformers en MLPs te overwinnen en state-of-the-art prestaties te behalen.
Dit paper introduceert Singular Bayesian Neural Networks, een methode die de parameters van Bayesiaanse neurale netwerken drastisch reduceert door weight matrices te parameteriseren als een product van lage-rang matrices, waardoor een singuliere posterior ontstaat die betere generalisatie, kalibratie en out-of-detection prestaties biedt dan traditionele mean-field benaderingen.
Dit artikel formaliseert de diversiteitsverliesproblematiek bij classifier-free guidance als 'generative distortion', analyseert de overgangsfase waarin deze vervorming optreedt in hoogdimensionale ruimtes met behulp van statistische fysica, en stelt een theoretisch onderbouwde geleidingsstrategie met een negatief-geleidingsvenster voor om dit te mitigeren.
Dit artikel bewijst dat de asymptotische spectrale eigenschappen en statistische limieten van asymmetrische rank-één spiked tensormodellen met niet-Gaussisch ruis, mits een vierde moment voorhanden is, universeel zijn en overeenkomen met die van het klassieke Gaussische geval.
Dit paper introduceert een unifyend raamwerk voor de detectie van watermerken in grote taalmodellen (LLM's) via e-processen, wat anytime-valid garanties biedt voor online toetsing en de detectiekracht verbetert door adaptieve methoden.
Dit paper introduceert SEED-SET, een Bayesiaans experimenteel ontwerpframework dat objectieve evaluaties en subjectieve oordelen van belanghebbenden combineert via hiërarchische Gaussische processen om ethische benchmarks voor autonome systemen efficiënter en interpreteerbaarder te maken.