2447 ورقة بحثية
تقترح هذه الورقة خوارزمية قائمة على التجميع بسيطة حاسوبياً للتصنيف من نوع "الموجب-غير المسمى" (Positive-Unlabeled) تظل فعالة عندما يتم انتهاك فرضية "الاختيار الكامل العشوائي" (SCAR)، مع إثبات المتانة المتوسطة لطريقة "LassoJoint" في ظل هذه الظروف.
تقدم هذه الورقة اختبار الحد الأقصى للنمط الفوري (FMMT)، وهو إطار تكراري رسمي يجمع بين انحدار ريج الكيرنل وتحليل نطاق التردد للتحقق بصرامة من النماذج الحاسوبية مقابل بيانات العالم الحقيقي عبر اكتشاف التباينات العالمية والموضعية بقدرة عالية وتحكم دقيق في الخطأ.
تُبين هذه الورقة أن التقدير القياسي القائم على العينات الفرعية يفشل في نماذج السلاسل الزمنية الديناميكية لأن التلوث ينتشر عبر مرشحات البواقي لتشويه معيار التقدير، وتقترح مشغل إزالة الرقع (patch removal operator) مبتكرًا يقضي على أثر البواقي هذا لاستعادة الاتساق.
تقترح هذه الورقة إطار عمل "Federated RuleFit" الذي يجمع بين المعالجة المسبقة ذات الخصوصية التفاضلية، وتعزيز التدرج المحلي، والمتوسط المزدوج الاتحادي لإنشاء نموذج عالمي قابل للتفسير وعالي الأداء للبيانات الطبية دون المساس بخصوصية المرضى.
تقدم هذه الورقة DQPOPE، وهو خوارزمية تقييم خارج السياسة (off-policy evaluation) مبتكرة تستفيد من انحدار عملية الكميات العميقة (deep quantile process regression) لتقدير توزيع العائد بأكمله بضمانات نظرية صارمة ودقة تجريبية متفوقة مقارنة بالطرق التقليدية القائمة على التوقع.
تقترح هذه الورقة مُقدِّراً تكيفياً جديداً للبيانات الدالية يفرض بنية ماركوفية على نواة التغاير كبديل قابل للتفنيد لافتراضات النعومة التقليدية، مما يُظهر تحسناً في أداء التنبؤ ويقدم اختباراً فعالاً من الناحية الحسابية لصحة خاصية ماركوف.
تقدم هذه الورقة مفهوم السيناريوهات "السببية بشكل محرج"، باستخدام بيانات مسودة لعبة "Magic: The Gathering" لتجادل بأنه عندما تكون العلاقة بين التعرض والنتيجة غير مثيرة للجدل بدرجة كافية، يمكن للبيانات الرصدية أن تدعم الاستدلال السببي بشكل صالح رغم وجود تحيزات كبيرة في الارتباك والاختيار.
تقدم هذه الورقة إطار عمل للاستدلال القائم على المحاكاة والواعي بالانحياز، والذي يدمج آليات الاختيار مباشرة في تقدير اللاحق العصبي لتمكين استدلال بايزي مستهلك، خالٍ من الاحتمالية، وقابل للتتبع، يعمل على تصحيح انحياز الاختيار ويوفر تقديراً معايراً لعدم اليقين.
توسع هذه الورقة البحثية منهج "الاعتلاج الأقصى السببي" (Causal Maximum Entropy) للاستفادة من البيانات التدخلية الهامشية إلى جانب البيانات الرصدية، مما يتيح تقدير التوزيعات التدخلية المشتركة واختيار الميزات السببية الفعالة الذي يتفوق على تقنيات الدمج الحالية مع مضاهاة أداء الأساليب التي تتطلب ملاحظات مشتركة كاملة.
تقترح هذه الورقة إطار عمل إحصائيًا مبتكرًا لتعزيز البيانات يدمج بفعالية البيانات المولدة بواسطة النماذج اللغوية الكبيرة مع الاستجابات البشرية الحقيقية في التحليل الموحد لتقليل خطأ التقدير والتكاليف، مما يثبت أنه بينما لا يمكن للنماذج اللغوية الكبيرة أن تحل مباشرة محل البيانات البشرية بسبب الانحيازات المتأصلة فيها، إلا أنها تعمل كمكمل قيم عند استخدامها ضمن نهج إحصائي قوي.