Statistiques - Théorie de la statistique

Explore comment les DPP fonctionnent et leur importance dans différents domaines.

Une méthode pour améliorer les estimations de régression linéaire dans des contextes de haute dimension.

Une nouvelle méthode pour une meilleure analyse des données dans des ensembles de données complexes.

Explorer la magnétisation et l'estimation des paramètres dans des systèmes complexes.

Un nouveau cadre pour prendre des décisions efficaces dans des scénarios de bandit manchot avec des retours d'infos retardés.

Un aperçu des processus empiriques locaux et de leur rôle dans le contrôle des erreurs.

Des recherches dévoilent de nouvelles méthodes pour adapter des ellipsoïdes à des points de données aléatoires.

Cet article examine comment les solveurs numériques influencent l'estimation des paramètres dans les modèles d'équations différentielles.

Une nouvelle approche pour mesurer le risque en utilisant des méthodes quantiles avancées.

Cette recherche améliore les méthodes d'estimation pour comprendre les réseaux complexes.

Un regard simple sur comment la volatilité influence les décisions d'investissement.

Un nouvel algorithme améliore l'échantillonnage des points de lattices dans les polytopes.

Un aperçu des hypergraphes et de leurs applications dans divers domaines.

Un aperçu de comment la médiane géométrique aide dans l'analyse de données robuste.

Un aperçu de comment les taux de guérison influencent les comparaisons de traitements.

Une méthode pour localiser des points de changement dans des modèles polynomiaux par morceaux avec quantification de l'incertitude.

Découvrez le Monte Carlo Hamiltonien et ses applications en statistique et en science.

Apprends à évaluer l'ajustement d'un modèle avec des méthodes comme la distribution de Weibull.

Une nouvelle méthode pour estimer les coefficients de diffusion en utilisant des estimateurs de ridge.

Cet article présente une nouvelle méthode pour prédire des résultats en fonction de facteurs de données.

Un aperçu des méthodes innovantes pour étudier des modèles de données complexes.

Explore les bases et les applications des réseaux de neurones à deux couches.

La recherche présente des modèles pour analyser les distributions gaussiennes en utilisant le mètre de Wasserstein.

De nouvelles méthodes améliorent le contrôle du taux de fausses découvertes dans l'analyse de données binaires.

Une méthode pour dériver des distributions a priori à partir des processus de prise de décision des experts.

Une nouvelle méthode pour améliorer les estimations dans l'analyse des données à haute dimension en utilisant des estimateurs nuls.

Les essais LAGO permettent des ajustements de traitement flexibles pour améliorer les résultats des patients dans la recherche clinique.

Découvre des méthodes améliorées pour estimer l'incertitude dans la régression par processus gaussien.

Un nouvel aperçu du rôle du Group LASSO dans la sélection de caractéristiques et l'optimisation.

Un guide pour réduire les dimensions dans des données à haute dimension tout en préservant les distances.

Un aperçu de comment les lois conditionnelles isotoniques aident à prédire des données.

Présentation des p-values conformes pondérées pour une sélection efficace de candidats dans divers domaines.

Explorer le rôle des matrices aléatoires dans la modélisation statistique et les erreurs d'estimation de la covariance.

Une méthode pour estimer les tailles de saut dans les systèmes de stockage en utilisant des techniques non paramétriques.

Une nouvelle méthode pour estimer des distributions avec des histogrammes bayésiens améliore l'efficacité mémoire.

Une nouvelle approche pour simplifier l'analyse de données complexes en utilisant des méthodes de transport optimal.

Des chercheurs développent des tests pour évaluer les coefficients de diffusion dans des systèmes complexes au fil du temps.

Explore comment l'apprentissage méta non linéaire améliore l'efficacité et la précision de l'apprentissage des tâches.

L'algorithme rSVDdpd offre des analyses de données fiables même en présence de valeurs aberrantes et de bruit.

Un aperçu de comment la géométrie de l'information peut améliorer les techniques d'apprentissage automatique.