252 artigos
Este artigo investiga as distribuições de corte sob uma perspectiva assintótica, estabelecendo um teorema de Bernstein-von Mises e uma aproximação de Laplace, e propõe um algoritmo baseado no Posterior Bootstrap que garante cobertura assintótica frequentista nominal para regiões de credibilidade em cenários de inferência modular robusta.
Este artigo desenvolve um quadro teórico e um algoritmo numérico para resolver o problema inverso contínuo de equações diferenciais rugosas, permitindo a construção de um caminho rugoso a partir de uma trajetória observada discretizada através da resolução de problemas inversos discretos que convergem em variação .
Este artigo propõe um método de ramificação e limite disjuntivo combinado com novas relaxações convexas para resolver problemas de completamento de matrizes de baixo posto com garantia de otimalidade, superando significativamente os métodos heurísticos existentes em termos de precisão e certificação de soluções.
Este artigo propõe um framework de agregação baseado em transporte ótimo para modelos de mistura de especialistas (MoE) distribuídos, permitindo a combinação eficiente de modelos locais em um estimador global com apenas uma etapa de comunicação, preservando a estrutura do MoE e garantindo desempenho comparável ao treinamento centralizado.
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.
O artigo propõe uma teoria de memorização geométrica que demonstra como os modelos de difusão, ao enfrentar escassez de dados, passam por um colapso suave de suas dimensões latentes, condensando gradualmente a geração de novas variações em uma replicação quase pontual de exemplos de treinamento, um fenômeno distinto entre a generalização e a cópia exata.
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 método agnóstico ao modelo CLIQUE, uma nova técnica de importância local de variáveis que supera as limitações de métodos existentes ao capturar relações dependentes localmente, lidar nativamente com problemas de classificação multiclasse e reduzir vieses em regiões onde as variáveis não afetam a resposta.
Este artigo propõe um método de calibração que estabelece uma ligação formal entre a significância estatística e a clínica, demonstrando que os desenhos padrão de ensaios clínicos de fase 3 oferecem evidência robusta de desequilíbrio de equidade quando apresentam resultados positivos consistentes, enquanto resultados inconsistentes entre fases exigem tamanhos amostrais inviáveis para efeitos clinicamente significativos.
Este artigo propõe uma nova família de modelos estatísticos para comparações pareadas que dispensa a suposição de transitividade estocástica, utilizando uma matriz antissimétrica de baixa dimensão para capturar dinâmicas complexas e alcançar desempenho preditivo superior e otimização minimax, mesmo em cenários com dados esparsos.
Este artigo propõe um algoritmo de Máquinas de Vetores de Suporte (SVM) ajustado à covariância para espaços não euclidianos, que utiliza a decomposição de Cholesky para superar as limitações das condições KKT tradicionais e demonstrar superioridade em precisão e métricas de desempenho em comparação com métodos convencionais.
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 dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
Este artigo propõe um algoritmo adaptativo que equilibra otimamente os recursos entre a estimativa das estatísticas de oráculo e a construção do estimador multifidelidade, garantindo um erro quadrático médio comparável ao da alocação ótima teórica e reduzindo os custos computacionais em problemas como EDPs elípticas e modelagem de mudanças de massa de geleiras.
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.