Mathématiques - Théorie des statistiques

Un guide pour comprendre la régression linéaire régulière sparse et ses applications dans l'analyse de données.

Combiner la modélisation générative et la régression quantile pour une génération de données efficace.

Méthodes clés pour mesurer à quel point les états quantiques sont proches des résultats souhaités.

Analyser comment estimer les hypothèses nulles dans les tests statistiques dépendants.

Explore les choix des clients dans les files d'attente et leur impact sur l'efficacité du service.

Des méthodes innovantes protègent la vie privée des patients tout en faisant avancer la collaboration en recherche médicale.

Un guide pour bien formatte les soumissions académiques avec elsarticle.cls.

On te présente une méthode efficace pour estimer la variance dans des systèmes en perpétuelle évolution.

Apprends à estimer des valeurs de manière précise à partir de jeux de données incomplets.

Explorer de nouvelles méthodes pour estimer des moyennes en présence de valeurs aberrantes.

Un guide sur les méthodes d'estimation et d'inférence uniformes en statistiques non paramétriques.

De nouvelles méthodes distribuées améliorent le suivi des cibles tout en réduisant les coûts énergétiques.

Un guide sur le clustering de données regroupées en utilisant des méthodes bayésiennes non paramétriques.

Cet article parle d'améliorer la détection d'anomalies non supervisée en utilisant des méthodes de classification.

Cette étude examine les coûts de transport impliquant des points aléatoires et des techniques mathématiques avancées.

Une méthode pour estimer des médianes dans des données en temps réel avec un minimum de ressources.

Apprends à analyser des données de séries temporelles irrégulières pour de meilleures prédictions et insights.

Un aperçu de comment la confidentialité différentielle protège les données individuelles dans un monde axé sur les données.

Cette étude améliore le filtre de Kalman par ensemble pour des applications non linéaires.

Une nouvelle approche pour faire correspondre avec précision des enregistrements dans des ensembles de données sujets à erreurs.

Une nouvelle méthode pour mesurer l'inégalité à travers plusieurs facteurs offre des insights plus profonds.

Une nouvelle méthode améliore les calculs de vraisemblance marginale en statistiques bayésiennes.

Un aperçu du processus d'Ornstein-Uhlenbeck et de ses applications dans le monde réel.

Apprends comment l'inférence conforme ajuste les prédictions en fonction des variations de données.

Une nouvelle façon d'évaluer l'impact des différentes quantités de traitement sur les résultats.

Apprends comment les réseaux de neurones imitent des concepts de programmation pour des prédictions efficaces.

Examiner comment les espaces de haute dimension influencent le blocage de la lumière et le comportement des données.

De nouvelles méthodes améliorent la fiabilité dans l'estimation des effets moyens des traitements.

Une méthode en deux étapes pour estimer avec précision l'effet du traitement quand les participants ne respectent pas.

Une nouvelle méthode améliore l'estimation des caractéristiques de la population en utilisant des données d'échantillonnage mixte.

Une nouvelle méthode optimise l'entraînement en deep learning pour de meilleures performances sur des données inédites.

Ce document présente une méthode basée sur des graphiques pour comparer deux distributions de données.

Une méthode pour identifier les changements de données entre capteurs avec un minimum de fausses alertes.

Un aperçu de comment les coefficients de transport révèlent le comportement des systèmes sous des conditions changeantes.

Un aperçu de la modélisation bayésienne pour les données de séries temporelles avec des erreurs corrélées.

Combiner des méthodes paramétriques et non paramétriques pour une meilleure analyse des données.

Examiner l'impact du Monte Carlo séquentiel sur l'équité et la fiabilité des découpages.

Les techniques pour réduire le bruit améliorent la qualité d'image dans différents domaines.

Une nouvelle approche pour analyser des données à queues lourdes en utilisant des statistiques max robustes.

Ce papier examine des méthodes pour comparer des modèles génératifs à travers des représentations basées sur des embeddings.