260 artigos
Este trabalho demonstra que uma arquitetura de rede neural tridimensional baseada em funções ReLU permite aproximações exponencialmente mais eficientes e de alta ordem para funções analíticas e , superando limitações teóricas anteriores e oferecendo um caminho para redes mais parcimoniosas em parâmetros.
Este artigo estende a predição e-conformal para lidar com situações de confusão observada entre o objeto aleatório e seu rótulo, considerando tanto cenários de dados independentes e identicamente distribuídos (IID) quanto casos que permitem dependência entre as observações.
Este artigo propõe e analisa estimadores de redes neurais profundas baseados no princípio de entropia mínima do erro para regressão não paramétrica com observações dependentes, demonstrando que alcançam a taxa de convergência minimax ótima sob condições de mistura forte.
Este artigo apresenta mapas de transporte diagnóstico que recalibram distribuições preditivas iniciais para corrigir erros em regimes de eventos raros, fornecendo diagnósticos locais em tempo real e melhorando a previsão da intensidade de ciclones tropicais em comparação com os modelos operacionais atuais.
Este artigo explora a estrutura, o escopo e o valor estratégico dos grupos dedicados de metodologia estatística na indústria farmacêutica, destacando os fatores organizacionais essenciais para maximizar seu impacto na eficiência, velocidade e probabilidade de sucesso do desenvolvimento de medicamentos.
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 propõe um framework de otimização estatisticamente confiável para experimentos de descoberta científica que integra correções de testes de hipóteses para amostragem adaptativa e uma função objetivo unificada, permitindo que pesquisadores equilibrem recompensa cumulativa e eficiência estatística ao selecionar automaticamente o algoritmo de bandit mais adequado para seu contexto.
O artigo "RIE-Greedy" propõe uma estratégia de seleção de ações puramente gananciosa que utiliza a aleatoriedade inerente ao processo de regularização via validação cruzada durante o treinamento de modelos como uma fonte intrínseca de exploração, demonstrando teoricamente sua equivalência ao Thompson Sampling em bandits de dois braços e validando empiricamente sua eficácia em ambientes de negócios em larga escala.
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.
Este estudo demonstra que, devido à variabilidade amostral, as decisões de aprovação de processos baseadas em índices de capacidade () próximos a limites fixos (como 1.33) apresentam instabilidade inerente, com uma probabilidade de aceitação convergindo para 0,5 quando o verdadeiro desempenho do processo coincide com o limiar, o que é confirmado por simulações e dados empíricos de manufatura.
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 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 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.
Este artigo introduz e valida uma decomposição teórica da multiplicidade observacional em árvores de decisão, identificando o arrependimento estrutural como o principal fator de variabilidade e demonstrando que o uso dessas medidas como mecanismo de abstenção melhora a segurança e a precisão do modelo.
Este artigo apresenta uma abordagem unificada para a estimativa dos graus de liberdade efetivos nas técnicas de Replicação Balanceada (BRR) e Jackknife Pareado, demonstrando como as propriedades de independência dos componentes de contraste por estrato permitem derivar fórmulas práticas para intervalos de confiança.