Statistiques - Théorie de la statistique

Une nouvelle méthode améliore les performances des modèles génératifs même avec peu de données d'entraînement.

Un aperçu de comment les transformations affectent la moyenne et la covariance dans l'analyse des données.

Une étude sur l'équilibre entre l'apprentissage par transfert et la vie privée individuelle dans l'utilisation des données.

Méthodes innovantes pour analyser les valeurs extrêmes dans les données météorologiques et environnementales.

BART est un outil puissant pour prédire des résultats dans divers domaines.

Un aperçu des modèles pour les durées de survie liées et les risques concurrents.

Deux méthodes innovantes donnent un aperçu du vieillissement des systèmes et de leur fiabilité.

Les règles de score appropriées améliorent l'évaluation des prévisions probabilistes dans différents domaines.

NCP simplifie l'apprentissage des probabilités conditionnelles pour une meilleure prise de décision dans différents domaines.

Un aperçu des méthodes d'évaluation des modèles et de leur efficacité.

Un aperçu des matrices de covariance structurées et leur rôle dans l'analyse des relations entre variables.

Explorer l'impact des projections aléatoires éparses sur l'analyse de données haute dimension.

Un aperçu détaillé des méthodes de clustering et de leurs définitions.

Découvrez des méthodes simplifiées pour calculer les dérivées partielles croisées dans des fonctions complexes.

La recherche sur les réseaux de neurones révèle des comportements de distributions à queue lourde.

Présentation d'une nouvelle technique de filtrage pour les systèmes non gaussiens.

Une nouvelle méthode s'attaque aux défis de la vie privée pour estimer les U-statistiques avec précision.

Un aperçu de l'Analyse de Données Symboliques et de son utilisation dans différents domaines.

Un aperçu des variables aléatoires et des chaînes de Markov dans divers domaines.

Cette étude se concentre sur l'estimation de l'indice de régularité pour les distributions de Pareto discrètes.

Découvrez comment MROSS améliore la classification des données et réduit les coûts de calcul.

Apprends comment les valeurs propres et les matrices de corrélation aident dans l'analyse des données.

Un nouveau modèle améliore l'analyse des données de survie avec des restrictions de forme.

Une nouvelle méthode pour estimer les régions à haute densité dans des ensembles de données complexes.

Une nouvelle approche pour une réduction de dimension efficace dans les tâches de classification.

L'apprentissage des politiques basé sur le matching améliore l'attribution des traitements selon les caractéristiques individuelles.

Explorer les défis de s'adapter aux récompenses changeantes dans la prise de décision.

Examen des techniques pour modéliser et comprendre des systèmes multiscalaires en utilisant des EDS et l'estimation des paramètres.

Analyser comment les traits individuels influencent les réponses aux médicaments grâce à des méthodes statistiques.

Un guide pour estimer la volatilité intégrée et son importance pour les investisseurs.

Un cadre pour analyser les relations causales dans des scénarios extrêmes.

Enquête sur des méthodes plus rapides pour les tests à deux échantillons en utilisant des caractéristiques de Fourier aléatoires.

La loi de Benford montre des motifs bizarres dans les premiers chiffres de différents ensembles de données.

De nouvelles méthodes améliorent les ensembles de confiance en statistiques haute dimension.

Un aperçu des tests de sensibilité et de leur impact sur la sécurité des matériaux.

Un outil pour la sélection simultanée de variables dans des modèles de régression bayésiens.

Un aperçu de l'importance des distributions subweibull en analyse de données.

La méthode MGMC améliore l'efficacité dans l'échantillonnage de distributions gaussiennes complexes.

Ce papier parle de la création de bandes de confiance pour la densité spectrale dans des séries temporelles stationnaires.

Explorer des techniques avancées pour un échantillonnage uniforme dans des formes géométriques complexes.