222 artigos
Este artigo propõe três algoritmos escaláveis baseados em Inferência Variacional e Propagação de Expectativa para aproximar a distribuição posterior em modelos de regressão probit cumulativa, superando as limitações computacionais dos métodos tradicionais de Monte Carlo via Cadeias de Markov em grandes conjuntos de dados e demonstrando sua eficácia em um estudo de caso sobre redes criminosas.
Este artigo realiza uma avaliação sistemática de modelos de linguagem de grande escala (GPT e Gemini) para a construção de projetos fatoriais fracionários de dois níveis, demonstrando que eles conseguem gerar designs ótimos para até oito fatores em 8, 16 e 32 corridas, embora sua eficácia diminua conforme o número de fatores aumenta.
Este artigo propõe uma abordagem bayesiana de duas etapas que integra a identificação de subgrupos com a inferência sobre os efeitos do tratamento, incorporando a incerteza do modelo para produzir intervalos de confiança melhor calibrados em ensaios clínicos randomizados, como demonstrado em simulações e na aplicação a um estudo internacional sobre COVID-19.
O artigo investiga se modelos de acumulação evolutiva que assumem irreversibilidade podem fornecer informações úteis sobre processos reversíveis, demonstrando que, embora a estimativa de incertezas e interações seja propensa a erros, as inferências sobre a ordem relativa de aquisição de características e a estrutura dinâmica central dos caminhos evolutivos permanecem robustas.
O artigo demonstra que o uso de geradores de números aleatórios baseados em estado compromete a validade causal em modelos baseados em agentes ao alterar o índice de extração quando o fluxo de execução muda, e propõe como solução o uso de geradores baseados em contadores acoplados a identificadores de eventos para garantir que os números aleatórios correspondam consistentemente aos mesmos eventos em cenários contrafactuais.
O artigo apresenta o CausalTimePrior, um framework principiado para gerar modelos causais temporais sintéticos com dados observacionais e intervencionais, permitindo treinar redes pré-ajustadas a dados (PFNs) para inferência causal em séries temporais.
Este artigo propõe um novo quadro de regressão ridge funcional baseado em partições para dados de alta dimensão, decompondo a função de coeficientes em componentes dominantes e mais fracos para aplicar penalizações diferenciadas que melhoram a estabilidade numérica, a interpretabilidade e o desempenho preditivo sem depender de seleção explícita de variáveis.
Este artigo propõe um modelo estocástico em tempo contínuo e um método de *bootstrap* para o modelo de Schnieper de provisionamento de sinistros, permitindo estimar a distribuição preditiva completa das reservas com garantia de não negatividade e respeito às assimetrias dos dados.
Este artigo apresenta o estimador de regressão polinomial local "outrigger", um método adaptativo que utiliza a função de pontuação condicional dos erros para alcançar otimidade minimax e robustez frente a diversas distribuições de erro, superando as limitações dos estimadores padrão baseados em mínimos quadrados ponderados.
Este artigo apresenta o wcPCA, uma estrutura unificada para aproximações de baixo posto que otimiza o desempenho no pior caso em cenários com deslocamento de distribuição entre domínios heterogêneos, garantindo otimalidade teórica e demonstrando melhorias significativas em aplicações reais com apenas perdas mínimas no desempenho médio.
O artigo propõe um estimador duplamente robusto com correção de variância jackknife HAC para garantir inferência estatística espacialmente válida e intervalos de confiança confiáveis em cenários de dados com rótulos ausentes e dependentes, superando as distorções causadas pela correlação induzida pelo cross-fitting.
Este artigo propõe a Análise de Componentes Principais Funcionais Multivariada para Dados Misto (FPCA), um método baseado em cópula gaussiana semiparamétrica que integra dados de saúde móvel de tipos variados (contínuos, truncados, ordinais e binários) para identificar padrões temporais latentes que servem como biomarcadores digitais eficazes na estratificação de subtipos de transtornos do humor.
Este artigo propõe um novo método de inferência semi-modular bayesiana para modelos de cópula que atribui um parâmetro de influência individual a cada margem, permitindo uma robustez flexível contra a especificação incorreta das distribuições marginais e otimizando esses parâmetros via otimização bayesiana para generalizar abordagens anteriores de dois módulos.
Este artigo propõe um novo quadro de aprendizado por transferência para análise de sobrevivência que transfere conhecimento preditivo em vez de distribucional, utilizando modelos de transformação semiparamétricos flexíveis e um algoritmo EM para superar as limitações de métodos existentes que exigem dados individuais de origem e assumem parâmetros idênticos entre estudos.
Este artigo propõe a síntese de regressão bayesiana dinâmica de quantis (DRQS) e sua extensão multivariada (FDRQS), métodos que combinam informações de múltiplos modelos para melhorar a previsão de quantis, demonstrando maior resiliência durante crises econômicas extremas como a pandemia de COVID-19.
Este artigo propõe um método sequencial para geração, enumeração e amostragem de grafos bipartidos, direcionados e não direcionados com sequências de graus prescritas, estabelecendo condições de viabilidade global que garantem escalabilidade para instâncias grandes onde métodos existentes falham.
Este artigo propõe um estimador de variância conservador e assintoticamente válido para somas de matrizes triangulares de vetores aleatórios com médias heterogêneas e dependência em dois sentidos ou fraca, corrigindo a subestimação e o tamanho excessivo dos testes causados por estimadores padrão que assumem médias homogêneas.
Este artigo propõe uma nova estrutura de modelagem conjunta robusta para respostas contínuas e binárias, baseada na divergência de densidade de potência e regularização , que oferece estimadores esparsos, resistentes a outliers e com alta precisão preditiva em cenários de alta dimensionalidade.
Este artigo propõe um método de otimização convexa quadrática inteira mista para estimar simultaneamente múltiplas distribuições discretas unimodais sob restrições de ordem estocástica, demonstrando redução na divergência de Jensen-Shannon em cenários com amostras pequenas ao analisar dados de comportamento de busca.
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.