| name | statistics-research |
| description | Compétence professionnelle en recherche en statistiques suivie sur arXiv sous stat.* et math.ST. Couvre la méthodologie statistique, l'inférence, la conception d'expériences, l'inférence causale, les statistiques bayésiennes, les statistiques haute dimension, les séries temporelles, les statistiques spatiales, le calcul statistique et les applications. |
| category | research |
Compétence en Recherche en Statistiques (stat.*)
Présentation
Les statistiques sur arXiv reçoivent environ 334 nouvelles soumissions par semaine dans les sous-catégories (stat.ME, stat.ML, stat.TH, stat.CO, stat.AP, math.ST). Cette compétence fournit une structure pour naviguer dans le paysage de la recherche statistique en lien avec le ML et l'IA.
Domaines de Recherche Principaux
1. Méthodologie Statistique (stat.ME)
Densité arXiv : La plus élevée dans stat.* (~45 entrées/jour)
- Conception d'expériences : Plans d'expérience, conception optimale, méthodologie de surface de réponse
- Conception d'expériences pour l'IA : Évaluation de la découverte autonome de modèles par l'IA agentique
- Inférence causale : Résultats potentiels, DAGs, variables instrumentales
- Statistiques spatiales : Régression spatiale, krigeage, effets de débordement spatial
- Données longitudinales et groupées : Modèles mixtes, GEE, effets aléatoires
- Données manquantes : Imputation multiple, algorithme EM
- Séries temporelles : ARIMA, modèles espace-état, prévision, ruptures structurelles
2. Théorie Statistique (math.ST, stat.TH)
Densité arXiv : Élevée
- Théorie de la décision : Admissibilité, minimaxité, risque bayésien, estimation par retrait
- Statistiques haute dimension : Lasso, ridge, pénalisation par norme nucléaire
- Estimation fonctionnelle : Régression non paramétrique, estimation de densité, fonctionnelles spectrales
- Minimisation approchée du risque : Règles de retrait-seuil dans l'estimation de la moyenne normale
- Estimation de Stein : Estimateur de James-Stein, estimateurs de covariance par retrait
- Formes bilinéaires : Estimation dans des panneaux de tenseurs décalés
- Théorie des copules : Copules imprécises discrètes, matrices de signes alternés
3. Statistiques Bayésiennes (stat.ME, stat.CO)
Densité arXiv : Élevée
- Inférence bayésienne : Calcul a posteriori, choix du prior, comparaison de modèles
- Bayésien non paramétrique : Processus de Dirichlet, priors par processus gaussiens
- Méthodes MCMC : Hamiltonien Monte Carlo, NUTS, saut réversible, SMC
- Bayésien variationnel : Champ moyen, VB amorti, VB pondéré par importance
- Problèmes inverses bayésiens : Approches par vraisemblance neuronale avec approximation convexe
4. Calcul Statistique (stat.CO)
Densité arXiv : Modérée
- Méthodes de Monte Carlo : Échantillonnage d'importance, Monte Carlo séquentiel, filtres particulaires
- Diagnostics MCMC : Diagnostics de convergence, taille d'échantillon effective
- Optimisation pour les statistiques : Algorithme EM, algorithmes MM, IRLS
- Fonctionnelles spectrales : Propagation d'erreur dans les estimateurs de covariance par retrait
5. Statistiques pour l'Apprentissage Automatique (stat.ML)
Densité arXiv : ~150 entrées/semaine — fortement cross-listé avec cs.LG
- Théorie de l'apprentissage statistique : Bornes de généralisation, théorie PAC, biais-variance
- Méthodes à noyau : RKHS, régression à noyau, SVM
- Processus gaussiens : Régression GP, deep GPs, GP passant à l'échelle
- Théorie des réseaux de neurones : NTK, limites mean-field, robustesse en largeur
- Boosting : Gradient boosting, décodage par liste, théorie du boosting
- Réseaux de diffusion : Capacité de séparation sur données de faible dimension
- Théorie espace-fonction : Dichotomie pour l'apprentissage compositionnel
- Filigrane des LLMs : Filigrane calibré statistiquement (ICML 2026)
6. Statistiques Appliquées (stat.AP)
- Biostatistiques : Essais cliniques, analyse de survie, bioinformatique
- Statistiques environnementales : Modélisation climatique, événements extrêmes
- Économétrie : Économétrie financière, données de panel
- Psychométrie : Théorie de la réponse à l'item, analyse factorielle
- Finance statistique (q-fin.ST) : Modélisation des risques, optimisation de portefeuille
Outils Statistiques Clés pour la Recherche en IA/ML
| Outil | Domaine | Application |
|---|
| Intervalles de confiance | stat.ME, stat.TH | Quantification d'incertitude pour le ML |
| Tests d'hypothèses | stat.ME | Tests A/B, comparaison de modèles |
| Inférence causale | stat.ME | Estimation d'effet de traitement, équité |
| Inférence bayésienne | stat.ME, stat.CO | Réseaux de neurones bayésiens, modèles GP |
| Conception d'expériences | stat.ME | Apprentissage actif |
| Statistiques haute dimension | math.ST | Sélection de caractéristiques |
Articles Notables Récents (Mi-2026)
- Embracing Spillover: Spatial Effects in Experiments — stat.ME
- Experimental Design Approach to Evaluating Agentic AI's Autonomous Model Discovery — stat.ME/cs.AI
- Error Propagation in Spectral Functionals of Shrinkage Covariance Estimators — stat.ME/math.ST
- Approximate Risk Minimization Over Shrinking-Thresholding Rules — math.ST
- Boosting with List-Decodable Codes — stat.ML (COLT 2026)
- Beyond Heuristic Tuning: Power-Calibrated LLM Watermarking — stat.ML (ICML 2026)
- Width-Robust Learnability in Mean-Field Bayesian Neural Networks — stat.ML
Comment Effectuer la Veille
- Méthodologie :
/list/stat.ME/recent (volume le plus élevé)
- ML statistique :
/list/stat.ML/recent (~150 entrées/semaine)
- Théorie statistique :
/list/math.ST/recent
- Calcul statistique :
/list/stat.CO/recent
- Statistiques appliquées :
/list/stat.AP/recent
- Toutes les statistiques :
/list/stat/recent (~334 entrées/semaine)
- Mots-clés : "causal", "experimental design", "Bayesian", "high-dimensional", "convergence"
