97 Arbeiten
Dieser Beitrag stellt einen modellbasierten Ansatz vor, der es ermöglicht, die reinen Effekte intelligenter Fernsteuerungsalgorithmen auf den Energieverbrauch von Fernwärmegebäuden von anderen Einflussfaktoren zu isolieren und in Teilkomponenten zu zerlegen, was mit herkömmlichen Methoden nicht möglich ist.
Die Studie stellt TV-Select vor, ein einheitliches Rahmenwerk zur gleichzeitigen Variablenauswahl und Unterscheidung zwischen konstanten und zeitvariablen Effekten in longitudinalen Modellen durch eine doppelt bestrafte Schätzung mit Gruppensparsität und Glättung, das sowohl die Modellinterpretierbarkeit als auch die Vorhersagegenauigkeit verbessert.
Die vorgestellte Studie entwickelt ein auf neuronalen Prozessen basierendes System, das durch die probabilistische Vorhersage von Vitalparameterverläufen und den Abgleich mit klinischen Leitlinien – statt durch das Lernen aus historischen Entscheidungen – die rechtzeitige Umstellung von intravenösen auf orale Antibiotika verbessert und dabei die klinische Urteilsfähigkeit bewahrt.
Diese Studie schlägt zwei probabilistische Maße, die Reproduzierbarkeitsrate (RR) und die Falsch-Irreproduzierbarkeitsrate (FIR), vor, um das Verhalten von positiven Assoziationen in Replikationsstudien bei genomweiten Assoziationsstudien quantitativ zu bewerten und die Studiendesigns sowie die Nachverfolgung potenziell wahrer, aber irreproduzierbarer Befunde zu verbessern.
Die vorgestellte Studie demonstriert, dass eine neuartige Methode zur gemeinsamen Analyse von GWAS-Zusammenfassungsstatistiken auf Basis der Kontrolle der gemeinsamen lokalen Falsch-Entdeckungsrate (Jlfdr) sowohl in Simulationen als auch bei empirischen Daten eine höhere statistische Power aufweist als herkömmliche Meta-Analyse-Verfahren, insbesondere bei heterogenen Datensätzen.
Die Studie stellt mit EarthquakeNPP ein neues Benchmark-System für die Erdbebenprognose vor, das aufbereiteten Daten und etablierte seismologische Modelle wie ETAS nutzt, und zeigt, dass die getesteten neuronalen Punktprozesse (NPPs) die Leistung des klassischen ETAS-Modells in aktuellen Anwendungen noch nicht übertreffen.
Diese Arbeit schlägt eine Kalibrierung von klinischen Studien vor, die statistische und klinische Signifikanz verbindet, indem sie nachweist, dass gängige Studiendesigns mit 95 % Power und 5 % Fehlalarmrate eine robuste Evidenz für ein Ungleichgewicht der klinischen Äquipoise liefern.
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Diese Arbeit stellt einen Rahmen vor, um evidenzbasierte Anpassungsvariablen für adaptive Interventionen systematisch zu entwickeln, und betont, dass speziell konzipierte Optimierungsexperimente zwar aufwendiger, aber aussagekräftiger sind als die Nutzung sekundärer Beobachtungsdaten, um kausale Entscheidungen über Messzeitpunkte und Schwellenwerte zu treffen.
Die Arbeit stellt singuläre Bayes'sche neuronale Netze vor, die durch eine Low-Rank-Parametrisierung der Gewichte die Parameteranzahl drastisch reduzieren, gleichzeitig strukturierte Korrelationen erfassen und in Bezug auf Vorhersagegenauigkeit, Kalibrierung und Out-of-Distribution-Erkennung mit Deep Ensembles konkurrieren.
Die Arbeit stellt SEED-SET vor, ein skalierbares, bayesisches Framework für experimentelles Design, das durch die Kombination objektiver Bewertungen und subjektiver Stakeholder-Wertvorstellungen mittels hierarchischer Gauß-Prozesse die ethische Testung autonomer Systeme effizient und interpretierbar optimiert.
Die Studie stellt eine neuartige, trajectorienbasierte Graph-Clustering-Methode vor, die longitudinale klinische Daten und Bildgebungsmerkmale integriert, um bei Lebermetastasen dynamische Krebs-Subtypen mit unterschiedlichen Prognoseverläufen zu identifizieren und so die personalisierte Onkologie zu verbessern.
Die Studie stellt zwei neue g-Komputationsalgorithmen vor, die Zeit-abhängige Confounding und halb-konkurrierende Ereignisse (wie Tod und Hypertonie) gleichzeitig adressieren, und zeigt in Simulationen sowie einer Anwendung auf die NLAHS-Daten, dass diese Methode verzerrungsfrei ist und eine Reduktion von Hypertonie und Sterblichkeit bei vollständiger Verhinderung des Rauchens im jungen und mittleren Erwachsenenalter vorhersagt.
Die Studie stellt BSync vor, ein bayesisches Synchronisationsframework, das durch die Inferenz einer monotonen Zeitabbildung mit interpretierbaren lokalen Ratenparametern und Prior-Verteilungen nicht nur präzisere Ausrichtungen von Proxy-Paläorekorddaten ermöglicht, sondern auch eine robuste Quantifizierung der Unsicherheiten im Vergleich zu bestehenden optimierungsbasierten Methoden bietet.
Dieses Papier stellt die Gimbal-Regression (GR) vor, ein deterministisches, geometriebewusstes lokales Regressionsverfahren, das durch explizite Orientierungsobjekte und geschlossene Lösungen numerische Instabilitäten bei der Schätzung räumlicher Heterogenität vermeidet und stabile, überprüfbare Ergebnisse liefert.
Die Studie nutzt eine neuartige spektrale Zerlegung von JWST-NIRSpec-Daten, um nachzuweisen, dass sich CO₂-reiche Bereiche auf Europas Vorderseite in einem linsenförmigen Muster über mehrere Chaos-Einheiten erstrecken, was auf komplexe Wechselwirkungen zwischen Oberflächenprozessen und dem Untergrund hinweist und die Bewertung der Habitabilität des Mondes verfeinert.
Diese Studie wendet modellunabhängige und verteilungsfreie konforme Vorhersagemethoden (sowohl aufgeteilt als auch sequenziell) an, um Vorhersageintervalle für hochdimensionale funktionale Zeitreihen zu erstellen, und evaluiert deren Leistung anhand von subnationalen altersspezifischen Sterblichkeitsdaten aus Japan und Kanada.
Dieser Artikel stellt eine Python-Implementierung geometrischer Werkzeuge für den Kendall'schen 3D-Formraum vor, die die Lücke zwischen theoretischer Riemannscher Geometrie und praktischen Anwendungen schließt, indem sie spezifische Funktionen ergänzt, die in der führenden Bibliothek Geomstats fehlen.
Dieses Papier stellt einen Bayes'schen Rahmen für das Design und die Analyse von Präzisionsstudien vor, der externe Daten durch eine individuell gewichtete Modellierung basierend auf der Kovariatenverteilung teilweise in die Inferenz einbezieht, um Subgruppeneffekte präziser zu schätzen.
Dieser Artikel untersucht, wie die Wahl des Nicht-Unterlegenheitsrandes in klinischen Studien gemäß ICH E9(R1) von der spezifischen Schätzielgröße (Estimand) abhängt, und verdeutlicht anhand von Simulationen und Beispielen, dass historische Behandlungseffekte und die Konstantannahme nur im Kontext der gewählten Schätzielgröße korrekt interpretiert und für die Randbestimmung herangezogen werden können.