446 Arbeiten
Diese Arbeit zeigt, dass kognitiv detaillierte, agentenbasierte Modelle des sozialen Einflusses mit Bestätigungsfehler auf ein niedrigdimensionales, analytisch handhabbares Mean-Field-System reduziert werden können, das den Übergang von Konsens zu Polarisation erfasst und einen einfachen Stabilitätstest zur Diagnose von Symmetriebrechung bereitstellt.
Unter Verwendung von Daten aus dem Health Information National Trends Survey der Jahre 2022 und 2024 zeigt diese Studie, dass das Vertrauen in staatliche Gesundheitsbehörden der stärkste Prädiktor für die Wahrnehmung des Klimawandels als Gesundheitsrisiko ist, während das Vertrauen in Wissenschaftler eine schwächere, im Zeitverlauf abnehmende Assoziation aufweist und das Vertrauen in Ärzte kein signifikanter Faktor ist.
Diese empirische Studie validiert ein mathematisches Modell, das zeigt, dass die Rate der kognitiven Adaptation erwachsener Lernender in technischen Fachbereichen primär durch das Verhältnis von intellektueller Demut zu Ego-Rauschen getrieben wird, statt durch das anfängliche intellektuelle Potenzial, wobei die Minimierung des Ego-Rauschens die Zeit bis zum Erreichen eines Plateaus korrekter Lösungen signifikant beschleunigt.
Dieses Paper schlägt eine skalierbare Random-Survival-Forests-Methode vor, die ein Risk-Set-Sampling nutzt, um die Trainingszeit signifikant zu reduzieren, während die Vorhersageleistung beibehalten oder sogar verbessert wird, wobei der Ansatz nun im weit verbreiteten R-Paket `ranger` implementiert ist.
Dieses Papier führt eine neue flexible Familie von Pareto-Typ-Verteilungen ein, die mittels des rechtsseitigen Riemann-Liouville-fraktionalen Integraloperators generiert werden, was einen theoretisch fundierten Mechanismus zur Regulierung des Tail-Verhaltens bietet und im Vergleich zu bestehenden Modellen eine überlegene Leistung bei der Modellierung schwerer Enden realer Daten demonstriert.
Diese Studie evaluiert Strategien zur groß angelegten Propensity-Score-Anpassung über vier nationale Gesundheitsdatenbanken hinweg und kommt zu dem Schluss, dass die inverse Wahrscheinlichkeitsgewichtung mit Crump-Trimming und 1:1-Matching im Allgemeinen die beste Leistung bieten, wenngleich keine einzelne Strategie universell überlegen ist, was den Einsatz von Diagnostik und empirischer Kalibrierung zur Auswahlsteuerung erforderlich macht.
Diese Studie schlägt ein unsicherheitsbewusstes probabilistisches Framework vor, das Gauß-Prozess-Regression nutzt, um spärliche, auf UAVs basierende Strahlungsüberwachungsdaten aus der Sperrzone von Tschernobyl effektiv zu rekonstruieren, wobei es traditionelle Interpolationsmethoden hinsichtlich der Genauigkeit übertrifft und gleichzeitig essenzielle räumliche Unsicherheitsschätzungen für eine fundierte Umweltentscheidung liefert.
Dieses Papier führt eine Klasse robuster regularisierter M-Schätzer für die hochdimensionale Regression ein, die optimale Konvergenzraten und Selektionskonsistenz der Variablen unter minimalen Momentbedingungen (endliches ) erreicht und bestehende Methoden sowohl in Simulationen als auch in realen genomischen Anwendungen im Umgang mit schwergewichtigen, schiefen oder kontaminierten Fehlern übertrifft.
Das Papier schlägt Sparse Convex Biclustering (SpaCoBi) vor, eine neuartige konvexe Optimierungsmethode mit einem stabilitätsbasierten Abstimmungskriterium, die effektiv Rauschen und rechnerische Herausforderungen in hochdimensionalen Datensätzen adressiert und eine überlegene Genauigkeit sowie Robustheit im Vergleich zu bestehenden State-of-the-Art-Biclustering-Techniken demonstriert.
Diese Arbeit zeigt auf, dass die Einbeziehung zusammengesetzter Qualitätsbewertungen als Kovariaten in Regressionsmodellen eine Zirkularitätsverzerrung einführt, die die geschätzten Effekte struktureller Prädiktoren systematisch abschwächt, eine methodische Gefahr, die durch CMS-Krankenhaus-Wiedereinweisungsdaten und Monte-Carlo-Simulationen bestätigt wurde.