2032 Arbeiten
Die Kategorie „Stat — Me" widmet sich statistischen Methoden, die speziell für die Analyse metabolischer Daten entwickelt wurden. Diese Forschung liefert entscheidende Werkzeuge, um komplexe Stoffwechselprozesse zu verstehen und neue Erkenntnisse in der Biomedizin zu gewinnen. Da diese Studien oft hochtechnisch sind, macht Gist.Science sie für ein breiteres Publikum zugänglich, indem sie die neuesten Vorveröffentlichungen von arXiv systematisch erfasst und aufbereitet.
Wir bearbeiten jede neue Vorveröffentlichung in diesem Bereich, die auf arXiv erscheint, und bieten dazu sowohl eine verständliche Zusammenfassung für Laien als auch eine detaillierte technische Analyse für Experten an. So erhalten Sie einen umfassenden Überblick über den aktuellen Stand der Forschung, ohne sich durch komplizierte Fachsprache quälen zu müssen.
Im Folgenden finden Sie die neuesten Publikationen aus diesem spannenden Forschungsfeld, sortiert nach Erscheinungsdatum.
Dieses Paper schlägt ein neuartiges A/B-Testing-Protokoll vor, das Policy-Overlap und -Off-Policy-Estimation nutzt, um Rauschen aus übereinstimmenden Aktionen zu eliminieren, wodurch die Varianz reduziert und die Evaluierung von Behandlungseffekten im Vergleich zu Standardmethoden beschleunigt wird.
Dieses Paper schlägt post-hoc nichtparametrische statistische Verfahren vor, um zu identifizieren, welche spezifischen Koordinaten oder Koordinatenblöcke für eine detektierte Änderung in multivariaten Zeitreihen verantwortlich sind, wobei theoretische Garantien für die Kontrolle des Typ-I-Fehlers bereitgestellt und eine starke Leistungsfähigkeit durch Simulationen und Experimente mit realen Daten demonstriert werden.
Dieses Paper schlägt ein vereinheitlichtes Complete-Data-Likelihood-Framework vor, das SEIR-Epidemiedynamik, statusabhängige Netzwerkevolution und Beobachtungsmechanismen integriert, um eine rigorose statistische Inferenz für die Übertragung von Infektionskrankheiten auf teilweise beobachteten dynamischen Netzwerken mit latenten Infektionszeiten, Messfehlern und externen Infektionsquellen zu ermöglichen.
Dieses Paper schlägt deterministische Schätzer der prädiktiven Mittelwertanpassung (Predictive Mean Matching) zur Massenimputation vor und validiert diese für die Integration von Wahrscheinlichkeits- und Nicht-Wahrscheinlichkeitsstichproben, wobei es deren theoretische Konsistenz und Varianzeigenschaften sowohl unter Modellspezifikation als auch unter Fehlspezifikation etabliert und deren Effektivität durch Simulationen sowie eine empirische Anwendung auf Stellenanzehmedaten demonstriert.
Diese Arbeit untersucht die systematischen Verzerrungen, die aufgrund von zeitlichen Carryover-Effekten und Kannibalisierung in Standard-A/B-Testdesigns für Multi-Item-, Multi-Period-Inventarsysteme inhärent sind, und schlägt ein paarweiser Versuchsaufbau vor, der diese Interferenzeffekte effektiv mildert und validiert.
Dieses Paper schlägt ein neues Framework für die Berechnung der Stichprobengröße bei der Entwicklung von Risikoprädiktionsmodellen vor, das über die bloße Zielsetzung erwarteter Leistungsmetriken hinausgeht, indem es explizit die Leistungsvariabilität berücksichtigt und somit eine hohe Wahrscheinlichkeit gewährleistet, eine akzeptable Modellkalibrierung und Robustheit zu erreichen.
Dieses Paper schlägt das Local Interaction Autoregressive (LIAR)-Framework vor, welches lokale Abhängigkeitsstrukturen in hochdimensionalen Matrix- und Tensor-Zeitreihen nutzt, um eine skalierbare Parameterschätzung, konsistente Nachbarschaftsauswahl und eine überlegene Prognosegenauigkeit im Vergleich zu bestehenden Baselines zu erreichen.
Das Paper stellt PnPMass vor, ein flexibles und effizientes Plug-and-Play-Framework für das Weak-Lensing-Massenmapping, das ein einzelnes trainiertes Deep-Learning-Modell mit Gradientenabstieg für eine schnelle Rekonstruktion und konformer Prädiktion für eine kalibrierte Unsicherheitsquantifizierung kombiniert, wodurch es sich hervorragend für die bevorstehenden groß angelegten kosmologischen Durchmusterungen eignet.
Dieses Paper führt die Anchored Geodesic Component Analysis (AGCA) ein, eine Methode zur Dimensionsreduktion für multivariate Extremwerte, welche die Winkelvariation auf der positiven Einheitssphäre durch an eine Referenzrichtung gebundene Groß-Untersphären approximiert und dadurch exakte eigenwertbasierte Inferenz, konsistente Tail-Simulation mit expliziten Fehlergrenzen sowie die effektive Anwendung auf das Risiko-Modelling von Aktienportfolios ermöglicht.
Dieses Papier schlägt eine recheneffiziente, zweistufige simulationsbasierte Inferenzmethode vor, die klassische Poisson-Schätzung mit neuronalen Netzen kombiniert, um Parameter für inhomogene bivariate Log-Gauß-Cox-Prozesse unter Verwendung zweidimensionaler Bildeingaben präzise zu schätzen, wie an sowohl synthetischen als auch Gorilla-Datensätzen demonstriert wurde.