38 artigos
Este trabalho apresenta uma implementação em Python de ferramentas geométricas para o Espaço de Formas 3D de Kendall, visando preencher a lacuna entre a teoria geométrica complexa e fluxos de trabalho computacionais práticos, complementando bibliotecas existentes como o Geomstats com utilitários específicos para análise avançada de formas 3D.
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 propõe e valida, por meio de simulações e análises de dados reais, um estimador hierárquico bayesiano para a variância em estratificação fina que supera os métodos existentes ao reduzir o viés e o erro quadrático médio.
O artigo apresenta o pacote R *afttest*, que oferece ferramentas de diagnóstico baseadas em resíduos de martingale para modelos semiparamétricos de tempo acelerado de falha, incluindo um novo método de aproximação linear de função de influência que reduz significativamente o tempo de computação em comparação com o bootstrap multiplicador tradicional.
Este artigo apresenta duas estratégias de localização para um esquema de assimilação de dados baseado em cadeias de Markov Monte Carlo sequenciais (SMCMC) que, ao evitar a degenerescência de pesos e lidar naturalmente com erros não-Gaussianos, demonstra superioridade em modelos geofísicos não-lineares e de alta dimensão em comparação com o filtro de Kalman transformado local (LETKF).
Este artigo amplia o estudo da Distribuição Teissier Unitária ao derivar novas propriedades teóricas, como momentos de estatísticas de ordem e L-momentos, propor e comparar múltiplos métodos de estimação de parâmetros através de simulações, e demonstrar sua aplicabilidade prática em um conjunto de dados real.
Este artigo apresenta um procedimento de estimação para modelos de efeitos mistos não lineares que utiliza splines penalizados e diferenciação automática via Template Model Builder para obter derivadas exatas, demonstrando desempenho inferencial superior e menor carga computacional em estudos de simulação e em uma aplicação sobre o crescimento de altura de bebês.
Este artigo propõe uma nova abordagem para o desenho ótimo bayesiano de experimentos em lote, baseada em fluxos de gradiente de Wasserstein que transformam o problema de otimização não convexo em uma dinâmica probabilística escalável capaz de explorar paisagens multimodais e gerar lotes de alta utilidade.
Este trabalho apresenta uma análise probabilística de erros de arredondamento que incorpora viés e variância, oferecendo limites de erro mais precisos e adaptados a modelos não centrados em zero, especialmente eficazes em regimes de baixa precisão onde as abordagens determinísticas tradicionais são excessivamente conservadoras.
Este artigo apresenta uma estrutura unificadora baseada em dinâmicas hamiltonianas "elásticas" que conecta o Hamiltonian Monte Carlo (HMC) aos amostradores de processos de Markov determinísticos por partes (PDMP), permitindo a criação de novos algoritmos de rejeição livre com desempenho competitivo em inferência bayesiana de grande escala.
Este artigo apresenta um modelo de regressão por processos Gaussianos multinível computacionalmente eficiente para dados funcionais amostrados em grades regulares, derivando expressões analíticas exatas que permitem o ajuste de grandes conjuntos de dados com uma velocidade significativamente superior às implementações padrão e disponibilizando uma solução na linguagem Stan.
Este estudo propõe o DisSim-FinBERT, um novo framework que integra simplificação discursiva e análise de sentimento baseada em aspectos para aprimorar a extração de mensagens centrais e a precisão das previsões de sentimento em textos financeiros complexos, como os atas do FOMC.
O artigo apresenta o BLAST, uma nova estrutura de aprendizado por transferência bayesiana para regressão linear de alta dimensão que combina seleção adaptativa de fontes de dados e priores de contração global-local para melhorar a inferência e a quantificação de incerteza, superando métodos existentes em precisão e evitando transferência negativa.
Este estudo desenvolve um modelo baseado em redes para a Ferrugem da Folha de Soja (Frogeye Leaf Spot), demonstrando que a remoção precoce e direcionada de plantas infectadas é mais eficaz para o manejo da doença do que métodos tradicionais, ao mesmo tempo em que revela que o sistema de cultivo (com ou sem revolvimento do solo) não impactou significativamente a disseminação do fungo.
Este artigo propõe uma abordagem bayesiana não paramétrica para modelos de mistura finitos, estabelecendo condições de identificação e taxas de contração posterior quase polinomiais para as densidades dos componentes latentes, além de desenvolver um algoritmo MCMC eficiente para inferência em dados heterogêneos.
O artigo apresenta o Latent-IMH, um método de inferência bayesiana eficiente para problemas inversos lineares com operadores computacionalmente custosos, que utiliza aproximações baratas para gerar variáveis latentes e refiná-las com operadores exatos, deslocando o custo computacional para uma fase offline e superando em eficiência métodos de última geração como o NUTS.
Este artigo propõe um novo método de regressão por mínimos quadrados aparados que é robusto a valores atípicos tanto de casos quanto de células, lida com dados faltantes, permite distribuições assimétricas e é o primeiro a oferecer previsões fora da amostra robustas.
Este artigo apresenta um quadro computacional baseado em Monte Carlo para analisar a distribuição de estados estacionários e a estabilidade de equações diferenciais aleatórias com incertezas e superposições, aplicando-o ao modelo predador-presa de Rosenzweig-McArthur para demonstrar a emergência de distribuições multimodais e a quantificação de incertezas em sistemas dinâmicos.