207 artigos
O artigo apresenta o AgroDesign, um framework em Python que integra a especificação de projetos experimentais diretamente na inferência estatística para automatizar a construção de modelos lineares, a identificação de termos de erro e a interpretação de resultados em experimentos agrícolas, garantindo assim maior rigor, consistência e reprodutibilidade na análise.
Este artigo propõe um novo framework integrado de previsão de confiabilidade online para eletrônica de satélites, combinando um modelo de degradação baseado em processo de Wiener com um esquema de aprendizado ativo adaptativo para superar a escassez de dados e a variabilidade entre unidades, demonstrando maior precisão e eficiência em estudos de caso como o da estação espacial Tiangong.
Este artigo apresenta o MM-test, um método livre de distribuição para a triagem de genes espacialmente variáveis em transcriptômica espacial que combina uma estatística de razão de verossimilhança quasi com um procedimento de knockoff para controlar a taxa de falsas descobertas, demonstrando superioridade sobre métodos existentes em dados simulados e reais, incluindo conjuntos de dados tridimensionais complexos.
Este artigo propõe um framework bayesiano totalmente integrado para modelos não normalizados que, ao tratar a constante de normalização como um parâmetro desconhecido dentro de uma estimativa de contraste de ruído, elimina a necessidade de ajuste manual e permite inferência eficiente com quantificação de incerteza através de amostradores de Gibbs.
Este artigo propõe um quadro unificado para deteção de anomalias que define estas como observações com baixa probabilidade sob um modelo, calculando uma pontuação baseada na probabilidade da sua "surprisal" (negativo do logaritmo da densidade generalizada) e estimando essa probabilidade através de métodos empíricos ou de valores extremos, demonstrando eficácia mesmo sob especificação incorreta do modelo.
Este artigo apresenta um quadro unificado para a fatoração de matrizes não negativas (NMF) tradicional e convexa, utilizando funções de custo baseadas nas distribuições Tweedie e Binomial Negativa, derivando regras de atualização multiplicativa via algoritmos MM e validando empiricamente a superioridade desses modelos em dados com sobredispersão.
Este artigo apresenta um novo framework hierárquico de aprendizado multi-tarefa e multi-fidelidade baseado em processos gaussianos que unifica a exploração de similaridades entre tarefas e a heterogeneidade dos dados para criar modelos substitutos mais precisos e eficientes em termos de dados para sistemas de manufatura.
Este artigo propõe um desenho de enriquecimento adaptativo bayesiano que utiliza dados históricos agregados para informar recomendações de tratamento individualizadas, demonstrando através de simulações e um estudo de caso sobre apneia do sono ganhos de eficiência, como maior poder estatístico e redução do tamanho amostral esperado, em comparação com desenhos que não incorporam informações externas.
Este artigo demonstra que, ao combinar estrategicamente o particionamento da amostra com o ajuste de parâmetros de suavização (sub ou super-suavização) para as funções de incômodo, é possível que estimadores de plug-in e de correção de viés de primeira ordem atinjam taxas de convergência minimax ótimas para funcionais duplamente robustos em todas as classes de suavidade de Hölder, superando limitações da literatura existente.
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 propõe uma abordagem semiparamétrica estruturada baseada em redes neurais para corrigir o viés causado pela interferência algorítmica em experimentos de plataformas de conteúdo, permitindo a estimativa precisa do efeito global do tratamento ao modelar explicitamente a competição por exposição entre criadores.
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.
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.
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 propõe ferramentas para certificação operacional além da cobertura marginal em preditores conformais, introduzindo correções de amostra pequena e auditorias independentes para garantir limites finitos sobre métricas de implantação como frequência de compromisso e exposição a erros, mapeando assim as compensações geométricas entre esses indicadores em janelas operacionais reais.
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.