252 artigos
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 apresenta novos índices absolutos de validação de clusters que definem funções de compactação e margens de separabilidade para determinar o número verdadeiro de clusters, demonstrando sua eficácia em comparação com índices relativos tradicionais em diversos conjuntos de dados sintéticos e reais.
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.
Este artigo define a norma de Orlicz empírica como estimador natural da norma de Orlicz de uma distribuição univariada, estabelece uma lei dos grandes números sob condições mínimas, estende os resultados a modelos de regressão e revela que, embora condições suficientes para um teorema do limite central com taxa padrão existam, certos casos canônicos (como variáveis normais) exibem uma taxa de convergência não padrão de com distribuição limite estável, demonstrando que não há uma taxa de convergência uniforme para a classe geral de distribuições com norma de Orlicz limitada.
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.
O artigo "The Bayesian Geometry of Transformer Attention" demonstra que, em ambientes controlados chamados "túneis de vento bayesianos", os transformadores realizam inferência bayesiana com alta precisão através de um mecanismo geométrico específico envolvendo o alinhamento progressivo de chaves e consultas e uma variedade de valores de baixa dimensão, estabelecendo uma separação arquitetônica clara em relação a MLPs e oferecendo uma base para conectar sistemas pequenos verificáveis a fenômenos de raciocínio em grandes modelos de linguagem.
Este artigo estabelece que o treinamento por entropia cruzada em transformadores induz uma dinâmica de roteamento baseada em vantagens e atualizações de valores ponderadas por responsabilidade, que atuam como um procedimento EM de duas escalas temporais para esculpir geometrias bayesianas de baixa dimensão que sustentam o raciocínio probabilístico em contexto.
Este artigo propõe um método inovador para amostragem de distribuições de Boltzmann não normalizadas, utilizando uma sequência de amostradores de Langevin para simular eficientemente um fluxo de equação diferencial ordinária (ODE) derivado de interpolantes estocásticos lineares, oferecendo garantias teóricas de convergência e demonstrando eficácia em distribuições multimodais e tarefas de inferência bayesiana.
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 uma análise teórica que estabelece limites quantitativos de erro para problemas inversos bayesianos utilizando priores generativos treinados, demonstrando que o erro no posterior herda a taxa de convergência do prior na distância de Wasserstein, com validação através de experimentos numéricos e um problema inverso de EDP elíptica.
O artigo apresenta o HaKAN, um modelo inovador para previsão de séries temporais multivariadas que utiliza redes Kolmogorov-Arnold com funções de ativação baseadas em polinômios de Hahn para oferecer uma alternativa leve, interpretável e de alto desempenho, superando métodos recentes como Transformers e MLPs.
O artigo propõe redes neurais bayesianas singularizadas que, ao parametrizar os pesos como produtos de matrizes de baixo posto, reduzem drasticamente o número de parâmetros e melhoram a calibração e a detecção de dados fora da distribuição, mantendo um desempenho competitivo com ensembles profundos.
Este artigo formaliza a perda de diversidade em modelos de difusão guiados por classificação (CFG) como uma distorção generativa, demonstrando através de análise de física estatística que esse fenômeno surge em um regime de alta dimensão e propondo um novo cronograma de orientação com janela de orientação negativa para mitigar a redução de variância sem comprometer a separabilidade das classes.
Este artigo estabelece um princípio de universalidade para modelos de tensores espigados assimétricos, demonstrando que, sob condições de momento finito, o comportamento espectral e os limites estatísticos do estimador de máxima verossimilhança selecionado são robustos e idênticos aos do caso gaussiano, mesmo na presença de ruído não gaussiano.
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 apresenta o SEED-SET, um framework de design experimental bayesiano que integra avaliações objetivas e julgamentos subjetivos de partes interessadas via Processos Gaussianos Hierárquicos para realizar testes éticos escaláveis e eficientes em sistemas autônomos, superando métodos existentes na geração de candidatos de teste e na cobertura de espaços de busca.