Statistiques - Théorie de la statistique

De nouvelles méthodes améliorent l'estimation des paramètres dans les modèles de verre de spin.

Cet article parle du rôle des procédures minimax pour améliorer la précision de la régression linéaire.

Apprends à prévoir quand des conditions météorologiques extrêmes peuvent se produire.

Cet article parle des méthodes pour échantillonner des données complexes et de haute dimension de manière plus efficace.

Apprends comment la régression par noyau et la mise à jour bayésienne améliorent les prédictions avec de nouvelles données.

Méthodes innovantes pour récupérer des étiquettes temporelles à partir de données dynamiques bruyantes.

Cet article présente des quantiles minimax pour de meilleures estimations statistiques.

Cette étude examine les PINNs bayésiens pour estimer les paramètres des PDE à partir de données bruitées.

Deux nouveaux estimateurs améliorent la précision dans l'analyse des données de réponse des items.

Explore comment le modèle de blocs stochastiques aide à identifier des communautés dans les réseaux.

Apprends à identifier des motifs inhabituels dans des données de séries temporelles avec la profondeur de Markov.

Apprends des techniques pour estimer les valeurs manquantes dans des séquences stochastiques stationnaires.

Une approche de test en deux étapes simplifie les interactions entre plein de variables génétiques.

Examiner le rôle de la robustesse dans l'estimation de distributions inconnues à partir d'échantillons.

Explorer le rôle des priors tensoriels structurés dans l'amélioration des estimations de données.

Découvrez les bases de l'apprentissage des réseaux bayésiens dynamiques à partir des données.

Une méthode pour analyser efficacement des modèles de facteur tensoriel de haute dimension en finance.

CHCDS améliore la précision des prédictions sans partitionnement des données.

Cet article examine l'importance des maxima et du test d'espacement dans les champs aléatoires gaussiens.

Un aperçu de la manière dont les eigenmaps améliorent l'analyse des données grâce à un redimensionnement efficace.

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.