297 artigos
Este artigo analisa a aplicação de métodos de previsão de baixa dispersão e regressão à tendência no concurso M6, concluindo que, sob a hipótese de mercados eficientes, prever valores esperados em vez de valores reais oferece uma vantagem consistente e evita o sobreajuste característico de abordagens de alta variabilidade.
Os autores desenvolveram um método computacional robusto que, ao combinar estatísticas de contagem de fótons únicos com correlações espaciais, permite a reconstrução precisa de imagens de profundidade e refletividade com apenas cerca de um fóton detectado por pixel, superando significativamente a eficiência e a resistência ao ruído das técnicas tradicionais, mesmo sob forte iluminação de fundo.
Este artigo apresenta um novo modelo de análise bayesiana para a datação por 210Pb que, ao integrar estatisticamente as idades e os valores de 210Pb suportado e não suportado, supera as limitações dos métodos atuais ao fornecer estimativas de erro mais robustas, realistas e definidas, capazes de lidar com erros assimétricos e combinar múltiplos tipos de datação.
Este artigo propõe um algoritmo de bandito contextual online baseado em otimismo para RL regularizado por KL, demonstrando que a paisagem de otimização benigna induzida pela regularização permite alcançar limites de arrependimento logarítmico tanto em contextos de bandito quanto em aprendizado por reforço completo, superando as limitações de trabalhos teóricos anteriores.
Este artigo desenvolve e estende duas abordagens de análise de sensibilidade bayesiana — uma baseada em variáveis de confusão latentes e outra na função de sensibilidade — para estimar efeitos de tratamentos temporais em dados observacionais longitudinais afetados por confusão não medida que varia no tempo, avaliando seu desempenho em simulações e aplicando-os a dados reais de um registro pediátrico.
Este artigo revisa e unifica diversas abordagens de regressão para modelar a interação genótipo-ambiente e prever desempenhos em ambientes não observados, demonstrando como métodos aparentemente distintos se enquadram em um quadro comum de predição baseado em modelos mistos, com ilustração aplicada a dados de ensaios de variedades de arroz em Bangladesh.
Este artigo demonstra que choques geopolíticos e geoeconômicos afetam o risco soberano por canais distintos, formando um padrão de "tesoura" onde os efeitos diretos e os do ciclo financeiro global se movem em direções opostas, implicando que a liquidez pode mitigar apenas a componente mediada pelo ciclo financeiro e não o prêmio de risco geopolítico persistente.
Este artigo apresenta uma abordagem baseada em bandit contextual, utilizando amostragem de Thompson, para otimizar a sequência personalizada de exercícios em sistemas de recomendação educacional, demonstrando que tal método maximiza o ganho de habilidades dos alunos em plataformas de tutoria online em larga escala.
Este artigo prova um teorema do limite central para modelos de formação de redes com interações estratégicas e agentes homofílicos, estabelecendo condições de dependência fraca baseadas em processos de ramificação para permitir inferência prática em redes de grande escala.
Este artigo propõe um novo estimador robusto para correlações poligóricas que, ao minimizar uma função de perda baseada em divergência de frequências, supera as limitações do método de máxima verossimilhança ao lidar com violações de normalidade e dados de respondentes descuidados, mantendo consistência estatística e custo computacional equivalente.
Este artigo propõe um método de reparo de dados baseado em transporte ótimo e regras de parada não paramétricas bayesianas para mitigar o viés de representação em subgrupos sub-representados e permitir a aplicação de correções justas em dados fora da amostra, equilibrando a justiça com a preservação da qualidade dos dados.
Este estudo apresenta um novo método baseado em espectroscopia de campo integral para separar as contribuições de núcleos galácticos ativos e formação estelar, revelando uma correlação moderada entre a razão de Eddington do AGN e a formação estelar nuclear recente, o que sugere uma ligação temporal entre os dois processos.
Este artigo propõe um framework tipado que desdobra a evidência sequencial em camadas de representação, validade e decisão, demonstrando que a razão de verossimilhança é a representação única de evidência sob risco de Bayes e estabelecendo garantias de crescimento de tempo de parada que distinguem abordagens baseadas em verossimilhança de códigos de regret-óptimo que não geram processos-E válidos.
Este artigo propõe um modelo estocástico epidêmico discreto baseado em inferência bayesiana e síntese de dados para estimar o número total de infecções por SARS-CoV-2, superando limitações de subnotificação e avaliando métodos como Hamiltonian Monte Carlo e análise vetorial de dinâmica de transmissão para aprimorar a tomada de decisão.
Este artigo estabelece a convergência assintótica e a complexidade de para uma família de algoritmos de majorização-minimização em blocos (BMM) aplicados a otimização não convexa com restrições em variedades Riemannianas, demonstrando sua eficácia superior em comparação com métodos euclidianos padrão.
Este trabalho apresenta uma análise probabilística de erros de arredondamento que incorpora viés e variância, oferecendo limites de erro mais precisos e adaptados a modelos não centrados em zero, especialmente eficazes em regimes de baixa precisão onde as abordagens determinísticas tradicionais são excessivamente conservadoras.
Este artigo apresenta uma estrutura unificadora baseada em dinâmicas hamiltonianas "elásticas" que conecta o Hamiltonian Monte Carlo (HMC) aos amostradores de processos de Markov determinísticos por partes (PDMP), permitindo a criação de novos algoritmos de rejeição livre com desempenho competitivo em inferência bayesiana de grande escala.
Este artigo propõe um método inovador de amostragem de não-eventos temporalmente deslocados para estimar covariáveis globais em modelos de eventos relacionais aplicados ao compartilhamento de bicicletas, permitindo a identificação de fatores como clima e horário no dinamismo do sistema sem a necessidade de cálculos de verossimilhança total computacionalmente inviáveis.
Este artigo apresenta um modelo de regressão por processos Gaussianos multinível computacionalmente eficiente para dados funcionais amostrados em grades regulares, derivando expressões analíticas exatas que permitem o ajuste de grandes conjuntos de dados com uma velocidade significativamente superior às implementações padrão e disponibilizando uma solução na linguagem Stan.
Este artigo propõe um método para identificar modelos causais generalizados lineares utilizando a invariância do risco de Pearson e a maximização da verossimilhança, permitindo a descoberta causal a partir de um único ambiente de dados para certos modelos, como regressão de Poisson e logística, e implementado no pacote R `causalreg`.