161 artigos
Os autores propõem e validam algoritmos de amostragem por fatia geodésica na esfera, que são reversíveis, uniformemente ergódicos e livres de parâmetros de ajuste, demonstrando superioridade em eficiência e mistura em comparação com métodos padrão como Metropolis-Hastings e Hamiltonian Monte Carlo em distribuições desafiadoras.
Este artigo desenvolve uma fórmula de expansão assintótica para a probabilidade de cobertura do bootstrap em dimensões altas, explicando teoricamente por que o bootstrap selvagem que iguala o terceiro momento atinge precisão de segunda ordem sem studentização sob certas condições de covariância, e propondo um método de "double wild bootstrap" que garante essa precisão independentemente da estrutura de covariância.
Este artigo investiga a estabilidade distribucional de estimadores esparsos da matriz de precisão sob dados contaminados, derivando limites de Lipschitz locais explícitos para a distância entre distribuições medidas pela métrica de Kantorovich e apresentando resultados análogos para estimadores de covariância e autovalores, além de discussões sobre aplicações e experimentos numéricos.
Os autores propõem o Agrupamento de Transferência Adaptativa (ATC), uma estrutura unificada que automatiza o aproveitamento de dados auxiliares para melhorar o agrupamento em modelos estatísticos diversos, equilibrando automaticamente similaridades e discrepâncias entre conjuntos de dados.
O artigo propõe o DR-FoS, um novo método com dupla robustez para estimar o Efeito Médio do Tratamento Funcional (FATE) em estudos observacionais com dados funcionais, garantindo inferência válida e demonstrando sua eficácia através de simulações e aplicação ao conjunto de dados SHARE.
Este artigo apresenta um novo algoritmo de complexidade reduzida que calcula rapidamente uma curva completa de limites de confiança pós-hoc para a proporção de descobertas falsas ao longo de uma sequência de conjuntos de hipóteses crescentes, aproveitando a estrutura de floresta de uma família de referência.
Este artigo desenvolve estimadores GMM e M e estabelece suas propriedades assintóticas, incluindo consistência e normalidade assintótica, para dados dependentes de rede, fundamentando-se em um novo teorema uniforme da lei dos grandes números.
O artigo apresenta o estimador de completção de tensores de Poisson (PTC), que explora relações interamostrais para decompor histogramas de frequências em um processo de Poisson não homogêneo, permitindo a reconstrução não negativa de distribuições multivariadas com desempenho superior aos estimadores baseados em histogramas tradicionais para distribuições sub-Gaussianas.
Este artigo apresenta o coeficiente de correlação de divergência (c-delta), uma nova medida estatística que quantifica a similaridade entre os padrões de variabilidade interna de dois grupos, permitindo comparar como os valores diferem dentro de cada conjunto em vez de apenas avaliar a associação entre pares.
Este artigo propõe o método Sigmoid-FTRL, um desenho experimental adaptativo que resolve a não convexidade inerente à alocação de Neyman para estimadores AIPW, garantindo uma taxa de convergência minimax de para o arrependimento de Neyman e permitindo a construção de intervalos de confiança assintoticamente válidos.
Este artigo desenvolve uma estrutura de análise não-padrão para medidas de risco coerentes e seus estimadores, estabelecendo representações hiperfinitas e fórmulas discretas de Kusuoka que permitem derivar resultados de consistência, bootstrap e normalidade assintótica para estimadores de plug-in espectral.
Este artigo propõe um novo tipo de randomização adaptativa a covariáveis que equilibra as covariáveis especificadas entre tratamentos sem inflar a variância das covariáveis não especificadas, garantindo a validade dos testes estatísticos e evitando o "problema de deslocamento" identificado na literatura recente.
Este artigo formaliza a dependência da ordem no estimador de desvio padrão baseado na amplitude móvel (MR) de gráficos de controle, decompondo sua variância total em componentes de valores e adjacência via permutações aleatórias, e demonstra que a perda de eficiência assintótica em relação ao estimador padrão () é quase inteiramente atribuída ao efeito de adjacência.
Este artigo propõe um modelo escalável de processos gaussianos multitarefa com covariáveis funcionais, que utiliza uma estrutura de kernel separável para capturar dependências entre tarefas e entradas funcionais, permitindo previsões precisas com quantificação de incerteza em sistemas mecânicos complexos, como uma montagem rebitada, com menos de 100 amostras e menor custo computacional de aprendizado em comparação com modelos de tarefa única.
Este artigo desenvolve uma estrutura termodinâmica para a inferência assintótica, na qual a informação de Shannon atua como entropia e a variância do parâmetro define um espaço de estado, unificando conceitos como a identidade de de Bruijn e a relação I-MMSE sob uma descrição física que revela limites fundamentais de eficiência e processos evolutivos opostos entre física de ensemble e inferencial.
Este artigo estabelece taxas de convergência minimax otimizadas para um procedimento de classificação binária baseado em plug-in aplicado a trajetórias de EDOs com coeficientes de deriva e difusão dependentes do espaço, demonstrando sob condições de baixo ruído uma taxa de convergência mais rápida em espaços de Hölder, fundamentada em uma desigualdade exponencial e na análise do limite inferior do risco excedente.
O artigo apresenta o RACER, um método inovador de roteamento para grandes modelos de linguagem que formula a seleção como um problema de minimização de conjunto com controle de risco, permitindo a agregação de múltiplos modelos para melhorar a precisão e garantir limites rigorosos de erro em dados não vistos.
O artigo propõe um novo estimador de divergência Kullback-Leibler baseado na diferença de entropia e em vizinhos mais próximos (kNN) para testar a normalidade multivariada, demonstrando por meio de simulações que o método oferece controle preciso do erro Tipo I e poder superior, especialmente em dimensões médias e altas, comparado a testes convencionais.
Este artigo formaliza o objetivo de demonstrar que pelo menos uma intervenção gera um efeito positivo em subpopulações dentro de um framework de bandit multi-arma, desenvolvendo procedimentos de inferência para testes de hipóteses sob amostragem adaptativa e propondo um algoritmo de design experimental baseado em otimização que garante um limite de arrependimento logarítmico.
Este artigo propõe um novo método de regressão Fréchet para respostas multivariadas distribucionais baseado na família não-paranormal e na métrica de transporte não-paranormal (NPT), que supera desafios computacionais e estatísticos ao decompor o problema em marginais e dependência, garantindo convergência uniforme e eficiência comparável ao caso univariado.