252 artigos
O artigo demonstra que o critério A em projetos de experimentos pode ser fatorado em um termo de escala inverso ao D e um fator de esfericidade dependente da dispersão dos autovalores, explicando assim como projetos com desempenho D similar podem diferir significativamente em variância e viés, e propondo o uso desse fator como uma ferramenta de pós-seleção eficiente.
Este artigo caracteriza a fronteira de quebra de universalidade na privacidade de shuffle, demonstrando que, quando os randomizadores locais tornam-se altamente concentrados, os limites assintóticos deixam de ser Gaussianos e convergem para regimes não-Gaussianos explícitos, como Poisson, Skellam e Poisson Composto, definindo assim um quadro completo de três regimes de privacidade.
Este estudo propõe um novo método de agrupamento baseado em grafos e informado por trajetórias que integra dados clínicos multimodais e a evolução temporal dos pacientes para identificar subtipos de câncer com perfis prognósticos distintos, superando as limitações das abordagens estáticas tradicionais.
Este artigo propõe um método de aprendizado de dicionário para agrupamento não supervisionado de imagens hiperespectrais que utiliza barycentros de Wasserstein desbalanceados para aprender uma representação de baixa dimensão, superando as limitações de métodos anteriores ao evitar o desbalanceamento dos perfis espectrais e aumentar a robustez a ruídos e outliers.
Este artigo propõe um preditor linear não viesado empírico pseudo-multivariado para estimar médias de áreas pequenas de múltiplas variáveis dependentes sob um modelo de regressão com erros aninhados multivariados, incorporando pesos de amostragem para garantir consistência de projeto e utilizando procedimentos de bootstrap para estimar os erros quadráticos médios.
Este artigo propõe e valida dois novos algoritmos de g-computação que superam as limitações dos métodos existentes ao estimar simultaneamente os efeitos de ações variáveis no tempo na presença de eventos semi-concorrentes e confusão variável no tempo, demonstrando sua eficácia em simulações e em uma aplicação real sobre o impacto da prevenção do tabagismo na hipertensão.
Este artigo estabelece uma teoria unificada de estabilidade para inferência estatística em dados de bandit baseada no Descenso Espelhado Estocástico, demonstrando que algoritmos regularizados como o Regularized-EXP3 garantem simultaneamente intervalos de confiança válidos, ótimo arrependimento e robustez a corrupções.
Este artigo desenvolve uma teoria geral para a Aprendizagem Ponderada por Resultados (OWL) ao estabelecer uma relação fundamental entre o risco 0-1 e uma ampla classe de funções de perda, demonstrando taxas de convergência para kernels de Matern e Gaussianos e propondo algoritmos de otimização que superam métodos existentes na definição de regras de tratamento individualizado.
O artigo apresenta o BSync, uma nova estrutura de sincronização bayesiana que infere uma função de mapeamento temporal monotônica para alinhar registros paleoclimáticos a cronologias de referência, fornecendo quantificação formal de incerteza e superando métodos de otimização existentes, especialmente quando as restrições de idade independentes são escassas.
Este artigo analisa uma aproximação por difusão em tempo contínuo do gradiente de política para bandits estocásticos, provando que um aprendizado com taxa resulta em arrependimento logarítmico, enquanto demonstra que taxas maiores levam a arrependimento linear em certos cenários.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
O artigo propõe o MultiwayPAM, um novo método de agrupamento tensorial que analisa os escores do paradigma "LLM como Juiz" para mitigar custos computacionais e vieses, permitindo identificar simultaneamente a estrutura de clusters e os representantes centrais (medoides) de perguntas, respondentes e avaliadores.
Este artigo refuta a validade geral do critério clássico para identificar estatísticas suficientes mínimas, apresentando contraexemplos e propondo um critério robusto a versões que estende o método de Sato para espaços analíticos de Borel, além de analisar e corrigir limitações em abordagens alternativas de Pfanzagl.
O artigo demonstra que uma classe de combinações otimizadas de valores-e permanece válida mesmo quando o parâmetro de ajuste é otimizado com base nos dados, estendendo esse resultado a uma nova classe de variáveis-e simultâneas e propondo um teste de combinação aprimorado baseado em polinômios simétricos elementares.
Este artigo investiga o problema de identificação do melhor braço em bandits lineares não estacionários, estabelecendo um limite inferior dependente do conjunto de braços e propondo o algoritmo , que atinge a complexidade ótima ao explorar a estrutura geométrica do conjunto de braços.
O artigo propõe um método de atualização robusta de modelos de risco que integra informações externas de classificação (ranking) em vez de escores absolutos, permitindo a construção de modelos preditivos mais precisos ao lidar com diferenças entre populações de estudos, como demonstrado em um cenário de câncer de próstata avançado.
Este artigo propõe um estimador de perda mínima direcionada assistido por substitutos para inferência causal com resultados atrasados e censura administrativa, o qual evita a instabilidade dos pesos de probabilidade inversa, garante robustez dupla e elimina termos de erro de segunda ordem sem exigir a estimação direta da lei condicional do substituto.
O artigo propõe o Weighted improved Greedy Sampling (WiGS), um método de aprendizado ativo para regressão que utiliza aprendizado por reforço para adaptar dinamicamente o equilíbrio entre exploração e investigação, superando os métodos existentes em precisão e eficiência de rotulagem, especialmente em domínios com densidade de dados irregular.
Este artigo propõe a "regressão isotônica de Brenier", uma extensão da regressão isotônica para múltiplas saídas que utiliza o transporte ótimo de Kantorovich para garantir a monotonicidade cíclica, demonstrando desempenho superior em tarefas como calibração de probabilidades.
Este trabalho demonstra que o Gradiente Descente Pré-condicionado no Espaço Dual, ao treinar modelos lineares superparametrizados, converge para uma solução que interpola os dados e, no caso de pré-condicionadores isotrópicos, minimiza a distância de Frobenius em relação à inicialização, comportando-se de forma análoga ao Gradiente Descente padrão.