38 artigos
O artigo desenvolve algoritmos paralelos baseados em mapas de Picard para simular cadeias de Markov Metropolis de ordem zero, acelerando a convergência em problemas de alta dimensão ao utilizar processamento paralelo para amostrar distribuições log-côncavas sem necessidade de gradientes.
O artigo apresenta a Modelagem Generativa Bayesiana (BGM), uma estrutura unificada baseada em aprendizado de máquina que permite inferência condicional arbitrária com quantificação de incerteza rigorosa, superando as limitações de métodos existentes ao aprender um modelo generativo único que não requer retreinamento para diferentes condições.
Este artigo propõe um novo método de amostragem para distribuições contáveis multivariadas utilizando processos pontuais temporais modelados como filas de servidores infinitos, que demonstram superioridade sobre processos de nascimento-morte e processos de Zanella em eficiência e apresentam aplicações em redes neurais estocásticas com características biologicamente plausíveis.
Este artigo apresenta o BNEM, um amostrador baseado em Boltzmann que utiliza a técnica de correspondência de energia com ruído (NEM) combinada com um método de bootstrap para gerar amostras independentes e identicamente distribuídas a partir de funções de energia, alcançando desempenho superior e maior robustez em comparação com trabalhos anteriores.
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.
O artigo apresenta o StablePCA, uma nova estrutura de aprendizado robusto que utiliza relaxação convexa e o algoritmo Mirror-Prox para extrair representações latentes estáveis de dados multi-fonte, superando desafios de otimização não convexa e fornecendo garantias de convergência e certificação de qualidade.
Este estudo demonstra que, ao contrário de modelos sintéticos, as redes reais do núcleo supraquiasmático mantêm a robustez e a sincronização dos ritmos circadianos independentemente da escala, revelando que a conectividade média, e não o agrupamento, é o fator estrutural determinante para a estabilidade dessas oscilações.
Este artigo estabelece a determinação única dos coeficientes linear e não linear em uma equação de Helmholtz semilinear através de um método de linearização de ordem superior e propõe um quadro numérico de inferência bayesiana para a reconstrução e quantificação de incertezas desses parâmetros a partir de medições de fronteira.
O artigo demonstra que, sob certas condições, algoritmos de Metropolis-Hastings com propostas não geometricamente ergódicas e altas taxas de aceitação também não serão geometricamente ergódicos, além de comparar as taxas de convergência e comportamentos de movimento entre os algoritmos de passeio aleatório e guiado para diferentes tipos de distribuições-alvo.
O artigo propõe o método TV-Select, um quadro unificado que utiliza penalização dupla e splines B para realizar a seleção estrutural simultânea de variáveis e determinar se seus efeitos em modelos de dados longitudinais são constantes ou variáveis no tempo, garantindo consistência na seleção e propriedades assintóticas ótimas.
Este artigo relata a primeira realização de uma fase topológica fracionária em passeios quânticos discretos unitários e não interagentes em grafos cíclicos finitos, demonstrando que um protocolo de passo dividido com moeda única permite o surgimento de invariantes topológicos fracionários, bandas planas e estados de borda robustos, desafiando a classificação topológica inteira convencional.
O artigo propõe o Momentum SVGD-EM, um método acelerado que incorpora a aceleração de Nesterov tanto nas atualizações de parâmetros quanto no espaço de medidas de probabilidade para otimizar a estimativa de máxima verossimilhança marginal (MMLE) e acelerar a convergência em diversos cenários de baixa e alta dimensionalidade.
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.
O artigo propõe o método agnóstico ao modelo CLIQUE, uma nova técnica de importância local de variáveis que supera as limitações de métodos existentes ao capturar relações dependentes localmente, lidar nativamente com problemas de classificação multiclasse e reduzir vieses em regiões onde as variáveis não afetam a resposta.
O artigo propõe o NETCROP, um método de validação cruzada eficiente e preciso para redes complexas que divide a rede em sub-redes sobrepostas para facilitar a seleção de modelos e o ajuste de parâmetros.
Este artigo propõe um algoritmo adaptativo que equilibra otimamente os recursos entre a estimativa das estatísticas de oráculo e a construção do estimador multifidelidade, garantindo um erro quadrático médio comparável ao da alocação ótima teórica e reduzindo os custos computacionais em problemas como EDPs elípticas e modelagem de mudanças de massa de geleiras.
Este artigo propõe modelos de árvores aditivas com uma nova função de perda chamada "balancing loss" para estimar a razão de densidades entre duas amostras, permitindo inferência bayesiana com quantificação de incerteza e demonstrando eficiência computacional e aplicabilidade em dados de microbioma.
Este trabalho propõe um método rápido e determinístico para completar tensores com base na decomposição Tensor Train, utilizando apenas álgebra linear padrão para recuperar dados a partir de observações completas ou ausentes de fibras ao longo de um único modo, uma configuração comum em aplicações como séries temporais.
Este artigo investiga a seleção de partições de dois blocos ótimas para acelerar a convergência de cadeias de Markov finitas, estabelecendo conexões teóricas entre divergência de Kullback-Leibler e distância de Frobenius com a cadeia projetada induzida, e propondo algoritmos de aproximação eficientes para resolver o problema de otimização combinária resultante.
Este artigo propõe a Regressão Gimbal (GR), um framework de regressão local determinístico e geometricamente consciente que utiliza pesos direcionais explícitos e soluções de forma fechada para garantir estabilidade numérica e diagnósticos transparentes na presença de heterogeneidade espacial e vizinhanças anisotrópicas.