📊 Category

stat.ME

2530 artigos

A categoria "Stat — Me" reúne pesquisas focadas em estatística e métodos matemáticos aplicados à ciência. Aqui, exploramos como novos algoritmos e modelos estatísticos estão sendo desenvolvidos para analisar dados complexos de forma mais precisa e eficiente, servindo como a base técnica para descobertas em diversas áreas do conhecimento.

Todos os artigos apresentados nesta seção originam-se do arXiv, o principal repositório de pré-publicações científicas. Na Gist.Science, processamos cada novo trabalho enviado ao arXiv nesta categoria, oferecendo resumos detalhados em linguagem técnica acessível e versões simplificadas que explicam a essência do método sem exigir conhecimento especializado prévio.

Abaixo, você encontrará a seleção mais recente de artigos nesta área, organizados para facilitar sua leitura e compreensão das últimas inovações metodológicas.

📊 statistics

Detecting Jumps on a Tree: a Hierarchical Normalized Stable Process Model for Evolution of Discrete Distributions

Este artigo propõe um modelo bayesiano não paramétrico baseado em um processo estável normalizado hierárquico e um processo de Poisson para detectar saltos distributivos em populações estruturadas em árvore, tais como árvores filogenéticas, ao alavancar informações estatísticas compartilhadas entre subpopulações e empregar um algoritmo MCMC de partículas eficiente para inferência posterior.

Hanxi Sun, Heejung Shim, Vinayak Rao2026-09-09
📊 statistics

Valid inference for regression with best subset selection

Este artigo propõe procedimentos de inferência computacionalmente eficientes e válidos para amostras finitas para a seleção do melhor subconjunto, ao caracterizar a geometria do evento de seleção do AIC como uma união de intervalos, permitindo, assim, o condicionamento exato para produzir p-valores e intervalos de confiança confiáveis que corrigem as falhas frequentistas dos métodos pós-seleção convencionais.

Huiming Lin, Xin Tan, Meng Li2026-09-09
📊 statistics

Provable Pluralistic Alignment: Multi-Party RLHF under Offline Human Feedback

Este artigo propõe um framework unificado de RLHF offline para alinhamento pluralista que estima conjuntamente recompensas específicas de cada parte sob um modelo linear de baixo posto e otimiza políticas para objetivos de Nash, Utilitaristas e Igualitários, ao mesmo tempo em que aborda preferências cíclicas gerais via um vencedor de von Neumann pessimista, tudo com garantias de desempenho não assintóticas estabelecidas.

Huiying Zhong, Tianwei Gao, Zhiwei Steven Wu, Linjun Zhang, Weijie J. Su, Zhun Deng2026-09-09
📊 statistics

Decision-Centered Abstractions via Orthogonal Estimation of Difference-of-Q Functions

Este artigo introduz um método de abstração de estado centrado na decisão para aprendizado por reforço offline que utiliza aprendizado de máquina causal e estimativa ortogonal para aprender eficientemente funções de diferença de Q, isolando assim informações essenciais de tomada de decisão de dinâmicas de estado irrelevantes enquanto garante uma otimização de política consistente.

Defu Cao, Angela Zhou2026-09-09
📊 statistics

Approximate Bayesian inference for high-resolution spatial disaggregation using alternative data sources

Este artigo propõe uma estrutura de inferência bayesiana aproximada utilizando um modelo de regressão espacial semiparamétrico e a abordagem max-and-smooth para integrar fontes de dados alternativos derivados de satélite para gerar estimativas populacionais de alta resolução ao nível do pixel, conforme demonstrado em um estudo de caso da cidade de Bangalore, Índia.

Anis Pakrashi, Arnab Hazra, Sooraj M Raveendran, Krishnachandran Balakrishnan2026-09-09
📊 statistics

Active Learning with Adaptive Non-Stationary Kernel for Continuous-Fidelity Surrogate Models

Este artigo propõe um novo framework de aprendizado ativo para modelos substitutos de fidelidade contínua que utiliza um kernel não estacionário adaptativo e uma estratégia baseada em IMSPE para otimizar eficientemente a seleção de parâmetros de entrada e de fidelidade para simulações computacionalmente caras, acompanhado de uma implementação em R de código aberto.

Romain Boutelet, Chih-Li Sung2026-09-09
📊 statistics

A Principled Approach for Defining and Comparing Variable Importance Measures

Este artigo propõe um arcabouço axiomático principialista e um pipeline de construção geral para Medidas de Importância de Variáveis (VIMs) para preencher a lacuna entre importância e seleção de variáveis, permitindo, assim, garantias estatísticas rigorosas, comparações significativas e a mitigação de falsos positivos causados por correlações espúrias.

Angel Reyero-Lobo, Pierre Neuvial, Bertrand Thirion2026-09-09
📊 statistics

Design-Conditional Prior Elicitation for Dirichlet Process Mixtures: A Unified Framework for Cluster Counts and Weight Control

Este artigo introduz um arcabouço unificado e o pacote DPprior R para a elicitação de hiperprioridades condicionais ao design em misturas de processo dirichlet, permitindo que analistas especifiquem contagens de agrupamentos esperadas e incerteza para evitar configurações padrão que possam enviesar estimativas de heterogeneidade em direção a um único agrupamento.

JoonHo Lee2026-09-09