2447 ورقة بحثية
تقدم هذه الورقة البحثية خوارزمية (Ensemble SMC) (eSMC)، وهي نسخة فعالة حاسوبياً من خوارزمية "مونت كارلو التسلسلي المربعة" (Sequential Monte Carlo squared)، تستبدل مرشح الجسيمات الداخلي بمرشح كالمان للمجموعات (Ensemble Kalman Filter) لتمكين الاستدلال البايزي السريع وشبه الفوري لنماذج الأوبئة في فضاء الحالة مع الحفاظ على دقة مقاربة للطريقة الأصلية.
تقدم هذه الورقة طريقة تنعيم الجوار بأسلوب "ترك واحد واستبعاد البقية" للغرافونات، والتي تفصل بين اختيار الجوار ومتوسط الحواف لاستعادة الاستقلال الشرطي، مما يتيح اشتقاق حدود "بيري-إيسن"، وفترات الثقة الصالحة، والاختيار الأمثل لمعامل الضبط مع الحفاظ على معدلات التقدير المثلى.
تقترح هذه الورقة "متعلم البقاء-M" (M-survival learner)، وهو إطار عمل جديد وقابل للتفسير لتقدير تأثيرات الوساطة غير المتجانسة في بيانات البقاء الخاضعة للرقابة، والذي يتضمن معيارًا إحصائيًا جديدًا للتمييز بين عدم التجانس ويتم التحقق من صحته من خلال الضمانات النظرية، والمحاكاة، وتجربة سريرية واقعية لفيروس نقص المناعة البشرية لدعم تقييم النهايات البديلة للموافقة التنظيمية.
تقدم هذه الورقة البحثية اشتقاقات تحليلية جديدة لدرجة الاحتمالية المستمرة المرتبة لتوزيع بيتا-برايم المعمم وحالاته الخاصة، بما في ذلك توزيعي داغوم وسينغ-مادالا، مع التحقق من صحة هذه النتائج مقابل تقديرات مونت كارلو.
تقدم هذه الورقة اختباراً غير معلمي قائماً على النواة للاستقلال الشرطي للدوال العشوائية، باستخدام مؤثر التغاير الشرطي المدمج وتوزيعه التقاربي المشتق لمعالجة نقص الطرق الموجودة للبيانات الدالية.
تقدم هذه الورقة MaxIE، وهو خوارزمية فعالة حاسوبياً تستنتج حلاً مغلق الصيغة للوسيط المركب الأمثل الذي يعظم الآثار غير المباشرة في النماذج الخطية عالية الأبعاد، مما يتيح الاستدلال السريع واختبار العدم العالمي كما تم إثباته في دراسة بروتينية واسعة النطاق من مشروع UK Biobank.
تقدم هذه الورقة إطار عمل تعلم اعتقادي مهيكل يفصل صراحةً بين انزياح المتغيرات المساعدة وضجيج التسميات إلى مصادر عدم يقين متميزة، كاشفاً عن تأثير بوابي حيث تضخم انزياحات المتغيرات المساعدة من عدم الاتفاق في التسميات، مع توفير حدود هندسية، وضمانات تركيز العينات المحدودة، وصياغة تحسين (min-max) قابلة للتتبع للتعلم القوي.
تقترح هذه الورقة إطاراً لتصميم تجريبي بايزي متين يعتمد على مبدأ "الحد الأقصى من الحد الأدنى" (maximin)، والذي يعالج سوء توصيف النموذج من خلال صياغة المشكلة كلعبة تنتج هدفاً قائماً على معلومات "سيبسون" المتبادلة من النوع ، مع توظيف نهج "بايك-بايز" (PAC-Bayes) لاستخلاص حدود دنيا صارمة ذات احتمالية عالية لربح المعلومات المتوقع المتين.
تقترح هذه الورقة اختبارين تكيفيين قائمين على الرتبة من نوع (maxsum) لمعاملات الانحدار عالية الأبعاد، يحققان المتانة ضد الأخطاء ثقيلة الذيل والتكيف مع مستويات الندرة غير المعروفة من خلال إثبات الاستقلال التقاربي بين إحصاءات المجموع والرتب والحد الأقصى لتمكين تجميع القيم الاحتمالية (p-values) وفق منهجية علمية عبر طريقة دمج كوشي (Cauchy combination method).
تقدم هذه الورقة تحليل المكونات الرئيسية المتين المتوافق (CP-RPCA)، وهو إطار عمل غير معتمد على التوزيع يوفر تقديراً موثوقاً لعدم اليقين في العينات المحدودة لاستعادة المصفوفة منخفضة الرتبة في ظل وجود فساد متفرق، وبيانات مفقودة، وسوء توصيف النموذج.