219 Arbeiten
Die vorgestellte Arbeit schlägt einen latenten Autoencoder-Ensemble-Kalman-Filter (LAE-EnKF) vor, der die Datenassimilation in stark nichtlinearen Systemen verbessert, indem er das Problem in einen gelernten latenten Raum mit stabilen linearen Dynamiken transformiert, was zu höherer Genauigkeit und Stabilität im Vergleich zu herkömmlichen Methoden führt.
Das Paper stellt CREDO vor, eine Methode, die durch die Kombination von credalen Envelopes zur Darstellung epistemischer Unsicherheit und konformaler Kalibrierung für garantierte Abdeckung interpretierbare und effiziente Regressionsintervalle erzeugt, deren Breite sich in aleatorisches Rauschen, epistemische Inflation und einen kalibrierungsbedingten Spielraum zerlegen lässt.
Diese Arbeit formalisiert das Ziel adaptiver Experimente, positive Behandlungseffekte in Teilpopulationen nachzuweisen, indem sie Schätzverfahren für den multi-armed-bandit-Rahmen entwickelt, die sowohl eine Informationspoolsierung als auch zeitlich einheitliche Mehrfachtests untermauern, und zeigt, wie sich das experimentelle Design durch die Optimierung des Signal-Rausch-Verhältnisses als Bandit-Problem mit logarithmischem Regret-Verlust gestalten lässt.
Diese Arbeit stellt eine neue Fréchet-Regression für multivariate Verteilungsantworten vor, die auf dem nicht-paranormalen Transport (NPT) basiert, um die Schätzung effizient zu gestalten, die Dimensionalitätsfluch-Problematik zu mildern und sowohl theoretische Konvergenzgarantien als auch praktische Anwendbarkeit zu gewährleisten.
Die Studie „TEA-Time" entwickelt ein Rahmenwerk zur Extrapolation von Behandlungseffekten auf andere Zeitpunkte, indem sie zwei Identifikationsstrategien mit doppelt robusten Schätzern vorstellt, die in einer Anwendung auf Upworthy-Daten einen Zielkonflikt zwischen Präzision und Verzerrung aufzeigen.
Diese Arbeit stellt einen einheitlichen Kalibrierungsrahmen vor, der durch eine konvexe Optimierungsproblemstellung heterogene Zusatzinformationen aus verschiedenen Quellen in randomisierten Experimenten integriert, um die Effizienz der Behandlungseffektschätzung zu steigern, ohne die asymptotische Validität zu beeinträchtigen.
Die vorgestellte Arbeit entwickelt tiefe generative räumlich-zeitliche Engressionen-Methoden, die durch endogene Unsicherheitsquantifizierung zuverlässige probabilistische Epidemievorhersagen auf niedrigen Frequenzdatensätzen ermöglichen und dabei sowohl in der Genauigkeit als auch in der Erklärungsfähigkeit bestehende Benchmarks übertreffen.
Diese Arbeit stellt eine Methode zur konditionalen Rang-Rang-Regression vor, die auf tiefen konditionalen Transformationsmodellen (DCTM) basiert, um die intergenerationale Mobilität unter Berücksichtigung von Kovariaten und für sowohl kontinuierliche als auch diskrete geordnete Ergebnisse präziser zu schätzen und dabei nichtlineare Effekte sowie komplexe Interaktionen zu erfassen.
Dieser Beitrag stellt einen nichtparametrischen Dichteschätzer für kompositionelle Daten auf dem Simplex unter dem Vorhandensein zufällig fehlender Werte vor, der auf einer adaptiven Dirichlet-Kernel-Methode mit Inverse-Probability-Weighting basiert und in Simulationen sowie einer Anwendung auf NHANES-Daten eine überlegene Leistung gegenüber herkömmlichen Transformationen zeigt.
Diese Monografie bietet einen rigorosen Überblick über theoretische und methodische Aspekte der probabilistischen Inferenz und des Lernens mit Steinscher Methode, einschließlich der Konstruktion von Stein-Diskrepanzen, ihrer Eigenschaften sowie der detaillierten Verbindung zu Steinschem variationsbasiertem Gradientenabstieg.
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.
Diese Arbeit stellt die Partial Decomposition of Granger Causality (PDGC) vor, eine Methode, die mithilfe der Partial Information Decomposition und frequenzbasierten Zustandsraummodellen redundante und synergistische kausale Wechselwirkungen in physiologischen Netzwerken aufdeckt und so neue Einblicke in autonome Dysfunktionen bei Patienten mit Neurally bedingter Synkope liefert.
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.
Diese Arbeit entwickelt eine Theorie der post-hoc Inferenz im asymptotischen Setting, die auf E-Werten basiert und asymptotische Konfidenzmengen sowie p-Werte bereitstellt, die bei schwächeren Annahmen schärfere Ergebnisse liefern als bisherige nicht-asymptotische Verfahren.
Diese Arbeit vereint Online- und Off-Policy-Varianzreduktionsmethoden, indem sie die mathematische Äquivalenz zwischen dem Difference-in-Means-Schätzer und einem optimierten Inverse Propensity Scoring-Schätzer sowie zwischen Regressionsanpassungsverfahren und Doubly Robust-Schätzung nachweist.
Diese Arbeit entwickelt einen auf Laguerre-Reihen basierenden Schätzer für die funktionalen Koeffizienten von Variablen-Koeffizienten-Modellen, der minimax-optimale Konvergenzraten erreicht, asymptotische Normalität nachweist und damit Konfidenzintervalle sowie Hypothesentests ermöglicht.
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.
Der Artikel untersucht die asymptotischen Eigenschaften von Schnittverteilungen zur Verhinderung der Propagierung von Modellfehlern, leitet ein Bernstein-von-Mises-Theorem her und stellt einen auf Posterior Bootstrap basierenden Algorithmus vor, der in numerischen Experimenten zuverlässige frequentistische Konfidenzbereiche liefert.
Dieser Artikel liefert eine analytische Charakterisierung der Modellflexibilität der synthetischen Kontrollmethode mittels Freiheitsgraden, ermöglicht die Schätzung von Informationskriterien zur effizienteren Modellauswahl als Kreuzvalidierung und demonstriert deren Überlegenheit am Beispiel der Fahrzeugzulassungsbeschränkungen in Tianjin.