2447 ورقة بحثية
تقدم هذه الورقة البحثية مقياس التباعد الأقصى لمتوسط المعنى الموحد المقطوع طيفياً (st-nMMD) لاختبار عينة ثنائية غير تقاربية، مع اشتقاق حدود تركيز أسية تحت فرضية العدم لإنشاء مُقدِّر كمي حاد ومتكيف مع البيانات وخوارزمية لضبط المعلمات الفائقة تلغي الحاجة إلى تقسيم البيانات.
تثبت هذه الورقة أنه في حين أن اكتشاف آثار العلاج غير المتجانسة فيما يتعلق بالمتغيرات المصاحبة لما قبل العلاج يمكن أن يدعم الاستدلالات حول تفعيل الآلية بموجب افتراضات استبعاد محددة، فإن غياب هذا التباين غير المتجانس يكون غير مفيد بشكل عام، مما يستلزم تصاميم بحثية أكثر صرامة وحذراً في التفسير.
تقدم هذه الورقة عمق فاشرشتاين المكاني (WSD)، وهو مقياس إحصائي مبتكر يوسع مفهوم العمق ليشمل البيانات ذات القيم التوزيعية ضمن الهندسة غير الخطية لفضاءات فاشرشتاين، مما يتيح التصنيف والتجميع والاستدلال القوي مع إرساء خصائص نظرية رئيسية مثل الاتساق، والاعتدالية التقاربية، ونقاط الانهيار.
تقترح هذه الورقة خوارزمية مرشح كالمان التجميعي المتداخل التي تجمع بين آليتي إعادة الوزن والإزاحة الخاصتين بـ SMC² وEnKF، على التوالي، لتمكين الاستدلال المشترك القوي للمعلمات الثابتة والحالات الكامنة في نماذج الحالة-المكان غير الخطية حيث تفشل افتراضات التوزيع الطبيعي الخطي القياسية.
تقدم هذه الورقة ZNet، وهو إطار عمل لتعلم التمثيلات يقوم ببناء تمثيلات أداتية صالحة من المتغيرات المصاحبة المرصودة لتمكين تقدير الأثر السببي في الإعدادات الرصدية حتى في حالة عدم توفر أدوات صريحة، وذلك عن طريق تفكيك الميزات إلى مكونات مربكة وأداتية والتدريب عبر شروط العزم التجريبية.
تستخدم هذه الورقة إطار السبب الكافي لتوصيف الانقطاع بسبب الوفاة، مبرهنةً على أن المقدرات الخام المشروطة بالبقاء غير سببية بسبب المقارنات عبر أنواع مخاطر متباينة، مع تقديم تعبيرات رياضية لمتوسط أثر البقاء السببي وتحديد الشروط التي يكون فيها هذا الأثر منعدماً.
تؤسس هذه الورقة إطاراً نظرياً يوضح أن النماذج اللغوية ذات الترتيب الذاتي تطور تمثيلات لتتبع العالم عبر تقليل حد "جنسن-شانون" الزائد المرتبط بفئات التكافؤ في البيئة التدريبية، وهو مبدأ تم التحقق من صحته من خلال تجارب صغيرة النطاق للتنبؤ بأنماط فشل محددة وآليات استرداد في الاختيار التمثيلي.
تقدم هذه الورقة UpliftBench، وهي دراسة تجريبية واسعة النطاق على مجموعة بيانات Criteo Uplift v2.1 تُظهر أن نموذج S-Learner مع LightGBM يتفوق على نماذج T-Learner وX-Learner وCausal Forest في تقدير آثار المعالجة غير المتجانسة للتسويق الدقيق، مع تحديد المحركات الرئيسية للإقناع وقياس عدم اليقين لدى العملاء.
تقترح هذه الورقة نهج استكمال متعدد قائم على الأشجار البايزية يدمج ميزات تصميم المسح المعقدة لتحسين تقدير متوسط المجتمع في أخذ العينات ثنائي المرحلة، مما يثبت من خلال عمليات المحاكاة ودراسة واقعية حول تطعيم كوفيد-19 في أوغندا أنه يتفوق على المقدرات الموزونة التقليدية من حيث الانحياز، والدقة، وتغطية فترات الثقة.
تقترح هذه الورقة فئة من الاختبارات غير المعلمية لتجانس أثر المعالجة التي تستوعب الافتراضات المهيكلة وأنواع المتغيرات المشتركة المختلطة دون تقسيم العينة، والمصممة خصيصاً لتوجيه صانعي السياسات في تحديد ما إذا كانت قواعد القرار المخصصة تؤدي إلى تأثيرات سكانية مختلفة عن القواعد التي تتجاهل المتغيرات المشتركة.