161 artigos
Este artigo propõe dois critérios robustos e um algoritmo de diferença de convexos para aprender regras de tratamento ótimas com base em dados de sobrevivência censurados, visando maximizar o tempo de sobrevivência truncado e probabilidades de sobrevivência bufferizadas, com validação teórica e empírica superior aos métodos existentes.
Este artigo estabelece fundamentos teóricos rigorosos para a aproximação Vecchia de Processos Gaussianos, propondo uma seleção de conjuntos de pais baseada em conjuntos de normação e demonstrando que essa abordagem preserva propriedades probabilísticas essenciais e atinge a taxa de contração minimax ótima em regressão não paramétrica.
Este artigo avança a teoria de bootstrap paramétrico para intervalos de previsão de médias de pequenas áreas, demonstrando analiticamente que a existência de um pivô é crucial para atingir uma taxa de erro de cobertura de , propondo um método de bootstrap duplo para corrigir falhas em cenários sem pivô e validando a eficácia de uma abordagem de bootstrap único via simulações.
Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
Este artigo define a norma de Orlicz empírica como estimador natural da norma de Orlicz de uma distribuição univariada, estabelece uma lei dos grandes números sob condições mínimas, estende os resultados a modelos de regressão e revela que, embora condições suficientes para um teorema do limite central com taxa padrão existam, certos casos canônicos (como variáveis normais) exibem uma taxa de convergência não padrão de com distribuição limite estável, demonstrando que não há uma taxa de convergência uniforme para a classe geral de distribuições com norma de Orlicz limitada.
Este artigo estabelece um princípio de universalidade para modelos de tensores espigados assimétricos, demonstrando que, sob condições de momento finito, o comportamento espectral e os limites estatísticos do estimador de máxima verossimilhança selecionado são robustos e idênticos aos do caso gaussiano, mesmo na presença de ruído não gaussiano.
Este artigo caracteriza a fronteira de quebra de universalidade na privacidade de shuffle, demonstrando que, quando os randomizadores locais tornam-se altamente concentrados, os limites assintóticos deixam de ser Gaussianos e convergem para regimes não-Gaussianos explícitos, como Poisson, Skellam e Poisson Composto, definindo assim um quadro completo de três regimes de privacidade.
Este artigo propõe um método de aprendizado de dicionário para agrupamento não supervisionado de imagens hiperespectrais que utiliza barycentros de Wasserstein desbalanceados para aprender uma representação de baixa dimensão, superando as limitações de métodos anteriores ao evitar o desbalanceamento dos perfis espectrais e aumentar a robustez a ruídos e outliers.
Este artigo analisa uma aproximação por difusão em tempo contínuo do gradiente de política para bandits estocásticos, provando que um aprendizado com taxa resulta em arrependimento logarítmico, enquanto demonstra que taxas maiores levam a arrependimento linear em certos cenários.
Este artigo propõe um novo modelo ARCH em nível de operador para dados em espaços de Hilbert que captura a evolução completa do operador de covariância condicional, estabelecendo condições para soluções estacionárias, derivando estimadores consistentes e validando a abordagem através de simulações e aplicação a retornos intradiários de alta frequência.
Este artigo refuta a validade geral do critério clássico para identificar estatísticas suficientes mínimas, apresentando contraexemplos e propondo um critério robusto a versões que estende o método de Sato para espaços analíticos de Borel, além de analisar e corrigir limitações em abordagens alternativas de Pfanzagl.
Este artigo propõe um estimador de perda mínima direcionada assistido por substitutos para inferência causal com resultados atrasados e censura administrativa, o qual evita a instabilidade dos pesos de probabilidade inversa, garante robustez dupla e elimina termos de erro de segunda ordem sem exigir a estimação direta da lei condicional do substituto.
Este artigo estabelece uma aproximação gaussiana forte para estatísticas U não degeneradas em alta dimensão com dimensão divergente, fornecendo uma base teórica unificada para inferência estatística sob distribuições de cauda pesada e permitindo o desenvolvimento de procedimentos de teste e detecção de pontos de mudança sem depender de limites do tipo ou argumentos de bootstrap.
O artigo apresenta o Scorio, uma biblioteca de código aberto que formaliza e implementa diversos métodos estatísticos para classificar modelos de linguagem de raciocínio sob escalabilidade em tempo de teste, demonstrando que a maioria das abordagens concorda fortemente com um padrão-ouro bayesiano tanto em cenários de múltiplas tentativas quanto de tentativa única.
O artigo "ForwardFlow" propõe um método de inferência estatística baseado em simulação que utiliza uma rede neural profunda única para resolver o problema inverso de estimação de parâmetros, demonstrando propriedades desejáveis como exatidão em amostras finitas, robustez a contaminação de dados e capacidade de aproximar automaticamente algoritmos complexos como o EM.
Este artigo investiga a construção de funções de limiarização que preservam a definição positiva de matrizes de correlação, estabelecendo critérios de fidelidade e demonstrando que qualquer operador de limiarização suave que mantenha essa propriedade induz necessariamente um colapso geométrico no espaço de características, limitando a recuperação do sinal.
Este artigo fornece caracterizações axiomáticas para estimadores generalizados e usuais, baseando-se nas propriedades de simetria, internidade (forte) e idempotência assintótica, utilizando um teorema de separação para subsemigrupos abelianos nas demonstrações.
Este livro apresenta uma compilação pedagógica e unificada das fundações teóricas e das provas dos principais resultados da previsão conformal e de técnicas de inferência livre de distribuição, visando preencher a lacuna entre artigos de pesquisa dispersos e facilitar o entendimento dos argumentos técnicos que garantem quantificação de incerteza em sistemas de aprendizado de máquina sem suposições sobre a distribuição dos dados.
Este artigo demonstra que, para o movimento browniano oscilante observado de forma discreta, o estimador de máxima verossimilhança do parâmetro de criticidade auto-organizada é -consistente e converge estavelmente para uma distribuição Poissoniana bivariada, apesar da descontinuidade da densidade de transição e da natureza não padrão da função de verossimilhança.
Este artigo propõe um novo teste omnibus de ajuste de distribuição para dados contínuos univariados, baseado em momentos trigonométricos e na estrutura de covariância das estatísticas associadas, que oferece um procedimento plug-and-play com tamanho empírico preciso e alto poder para 11 famílias de distribuições, superando limitações do teste LK original.