219 artigos
Este artigo propõe e avalia dois métodos não paramétricos para estimar a distribuição do tempo de entrada em um estado e as probabilidades de ocupação condicional em modelos multivariados progressivos com dados de status atual, demonstrando seu bom desempenho em simulações e sua aplicação prática em pacientes com câncer de mama.
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 propõe e avalia três métodos de estimação paramétrica de multi-fidelidade (verossimilhança conjunta, estimação de momentos e verossimilhança marginal) para melhorar a eficiência na modelagem de dados de alta fidelidade, com foco em análise de valores extremos e aplicação em simulações de movimentos extremos de navios.
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.
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 uma reestruturação da meta-análise baseada em inferência causal para superar as limitações das abordagens convencionais ao lidar com medidas não lineares e heterogeneidade, demonstrando através de uma aplicação em 500 estudos que métodos tradicionais podem, em certos casos, levar a conclusões errôneas sobre os efeitos de tratamentos.
Este artigo propõe um quadro sistemático para desenvolver variáveis de adaptação baseadas em evidências para intervenções adaptativas, argumentando que, embora dados observacionais secundários possam ser utilizados, ensaios experimentais especificamente desenhados para otimização oferecem a evidência causal mais direta para determinar medidas, momentos e pontos de corte ideais.
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.
O artigo propõe os estimadores PLOT (Pairwise Last Observation Time), uma nova abordagem robusta e livre de modelos para avaliar efeitos de tratamento em ensaios clínicos com eventos intercorrentes, como a morte, comparando indivíduos pareados no último momento observado antes do evento, eliminando assim a necessidade de suposições estruturais não verificáveis.
Este artigo relaxa a suposição de ausência de causas comuns não medidas para derivar limites causais não paramétricos para a eficácia da vacina em ensaios randomizados, utilizando métodos de programação linear e monotonicidade para lidar com efeitos comportamentais decorrentes da quebra de cegamento.
O artigo apresenta os Modelos Causais de Séries Temporais Aumentados (ATSCM), uma abordagem que integra descoberta causal neural e raciocínio contrafactual para detectar regimes em mercados de energia e analisar como variáveis como a geração renovável influenciam os preços em tempo real.
O artigo propõe o TNCM-VAE, um modelo que combina autoencoders variacionais com modelos causais estruturais para gerar séries temporais financeiras sintéticas com relações causais preservadas, permitindo análises contrafactuais e testes de estresse mais precisos.
O artigo propõe uma extensão teórica dos jogos causais para cenários sequenciais, mas conclui, através de extensa análise empírica e teórica, que essa abordagem não oferece qualquer vantagem de bem-estar em relação ao equilíbrio de Stackelberg clássico sob racionalidade, indicando a necessidade de novos quadros teóricos além do equilíbrio de Nash para agentes de IA.
Este artigo propõe um modelo de bloco assinado para redes heterogêneas, estabelecendo sua identificabilidade, consistência assintótica e eficiência algorítmica para detecção de comunidades em redes com equilíbrio forte e fraco, validado por experimentos numéricos e aplicação em dados de relações internacionais.
Este trabalho introduz variantes de florestas aleatórias baseadas no princípio de Minimização do Risco Máximo (MaxRM) para melhorar a generalização fora da distribuição, oferecendo algoritmos computacionalmente eficientes, garantias de consistência estatística e novos limites teóricos para distribuições de teste não vistas.
Este artigo propõe e analisa teoricamente estimadores de regressão linear funcional baseados em variáveis de controle para aprendizado por transferência, demonstrando sua equivalência fundamental com o método de offset, sua eficácia em cenários de privacidade de dados e sua capacidade de lidar com erros de suavização decorrentes da observação discreta de preditores funcionais.
Este artigo apresenta um quadro unificado para a detecção de marcas d'água em modelos de linguagem grandes (LLMs) online, baseado em processos-e, que oferece garantias válidas a qualquer momento e melhora o poder de detecção através de métodos adaptativos empiricamente validados.
O artigo demonstra que o critério A em projetos de experimentos pode ser fatorado em um termo de escala inverso ao D e um fator de esfericidade dependente da dispersão dos autovalores, explicando assim como projetos com desempenho D similar podem diferir significativamente em variância e viés, e propondo o uso desse fator como uma ferramenta de pós-seleção eficiente.
Este artigo demonstra que o Filtro de Pontos de Suporte Epistêmico (ESPF) é o filtro ótimo e único que sintetiza o princípio de máxima entropia de Jaynes na propagação e o falsificacionismo de Popper na atualização, minimizando a entropia possibilística no pior caso ao rejeitar a influência de priores e validando-se numericamente em rastreamento orbital.