441 Arbeiten
Dieses Papier führt eine Familie sparsamer Mischmodelle für matrixvariante schiefe Verteilungen ein, die Varianz-Mittelwert-Mischungen von Normalverteilungen mit Parameterbeschränkungen nutzen, um die Komplexität zu reduzieren und eine effektive Clusterbildung hochdimensionaler Daten mittels eines Expectation-Conditional-Maximization-Algorithmus zu ermöglichen.
Diese Arbeit stellt einen schnellen und stabilen Product-Limit-Stil-EM-Algorithmus vor, der mit einem modifizierten iterativen konvexen Minoranten-Schritt kombiniert wird, um den nichtparametrischen Maximum-Likelihood-Schätzer für Überlebensfunktionen unter Verwendung von links-trunkierten und intervallzensierten Daten effizient zu berechnen, wobei eine überlegene Konvergenz und Skalierbarkeit gegenüber bestehenden Methoden nachgewiesen wird.
Dieses Paper schlägt einen robusten Permutationstest für einen modifizierten Spearman-Rangkorrelationskoeffizienten vor, der univariate Martingalresiduen nutzt, um rechtszensierte Daten effektiv zu handhaben, wodurch eine asymptotisch korrekte Kontrolle des Typ-I-Fehlers gewährleistet und im Fall fehlender Zensierung auf den klassischen Test reduziert wird.
Diese Arbeit zeigt auf, dass skalare Baseline-zu-Endpunkt-Kontraste in chronischen Längsschnittstudien oft daran scheitern, eine multidimensionale Stabilisierung eindeutig zu erfassen, da nicht-injektive Abbildungen vorliegen, und plädiert daher für die Einführung trajektorienbasierter Estimanden, um eine bessere Übereinstimmung mit komplexen klinischen Zielsetzungen zu erreichen.
Dieses Paper stellt DriftGuard vor, ein zweistufiges Auditierungs-Framework, das theoretische Detektierbarkeitsschwellen für Verteilungsverschiebungen etabliert und ein rigoroses, label-budgetiertes Protokoll bereitstellt, um Coverage-Fehlleistungen zu diagnostizieren und Konforme Prädiktionsmodelle sowohl unter Kovariaten- als auch unter Konzeptverschiebungen zu rekalibrieren.
Diese Studie zeigt auf, dass die exponierungsbedingte differenzielle Erfassung kontinuierlicher Endpunkte, wie etwa des visuell geschätzten Blutverlusts, durch systematische Messfehler statt durch echte klinische Unterschiede große, robust erscheinende Behandlungseffekte in Real-World-Evidence-Daten fingieren kann, was spezifische diagnostische Prüfungen und die Abhängigkeit von objektiven Messwerten erforderlich macht, um Scheinfolgen zu vermeiden.
Dieses Papier präsentiert ein unsicherheitsbewusstes, räumlich informiertes Mischmodell mit Shrinkage- und Klassengewichtungsmechanismen, das die Klassifizierung imbalancierter CO₂-Plume-Zustände im Sleipner-Benchmark durch das Identifizieren interpretierbarer, tiefenorganisierter Regime und die Bereitstellung von posterioren Unsicherheitsschätzungen signifikant verbessert.
Dieses Paper schlägt die Bayes’sche Kernel-Maschinen-Meta-Regression (BKMMR) vor, ein flexibles Framework für die Modellierung in der zweiten Stufe, das die Einschränkungen konventioneller linearer Meta-Regression durch die automatische Erfassung von Nichtlinearitäten und Interaktionen in Multi-Standort-Umweltepidemiologie-Daten überwindet und dadurch die Schätzgenauigkeit, Vorhersage- und Downscaling-Fähigkeiten verbessert, wie durch Simulationen und eine Luftverschmutzungsstudie in Südkorea nachgewiesen wurde.
Diese Studie zeigt, dass das Right-Truncated Peaks-Over-Threshold (RT-POT)-Modell herkömmliche Ansätze der verallgemeinerten Extremwertverteilung und der verallgemeinerten Pareto-Verteilung übertrifft, indem es präzisere Parameterschätzungen und realistischere obere Endpunkte für die Verwaltung extremer Wasserstände am Akosombo-Damm in Ghana unter natürlicher Trunkierung bereitstellt.
Diese Arbeit schlägt adaptive Bayes-Schwellenwert-Heuristik-Strategien für das Sekretärproblem mit partieller Information vor, indem sie die optimale Stopptheorie mit vollständiger Information mit der Bayes-Aktualisierung mittels eines Normal-Gamma-konjugierten Priors integriert und damit eine überlegene Leistung gegenüber Maximum-Likelihood-Schätzverfahren demonstriert, insbesondere bei kleinen Stichprobenumfängen und schwacher Prior-Information.