259 Arbeiten
Die Studie stellt PATRO vor, einen einfachen und transparenten Ansatz, der durch datenunabhängige Anpassungen von Schätzwerten für Rollout- und Optimierungsentscheidungen die durch Asymmetrien bei der Fehlerkosten verursachten Verluste reduziert und dabei nahezu die Leistung eines komplexen Bayes-Optimums erreicht.
Dieser Artikel stellt eine starke gaußsche Approximation für hochdimensionale nicht-degenerierte U-Statistiken mit divergierender Dimension bereit, die auf einer scharfen Martingal-Maximalungleichung basiert und eine einheitliche theoretische Grundlage für Inferenzverfahren wie Change-Point-Tests und selbstnormalisierte Tests unter schweren Verteilungsschwänzen liefert.
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.
Diese methodische Übersichtsarbeit zeigt, dass zwar häufig Heterogenitätsuntersuchungen in Meta-Analysen diagnostischer Testgenauigkeit durchgeführt werden, die Berichterstattung über statistische Modelle jedoch oft unklar ist und eine stärkere Vorab-Planung in Protokollen die Transparenz und Validität der Forschung verbessern könnte.
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.
Diese Studie vergleicht Monte-Carlo-Dropout und konforme Vorhersage zur Unsicherheitsquantifizierung in CNNs auf Fashion-MNIST und zeigt, dass GoogLeNet besser kalibriert ist als das genauere H-CNN VGG16, wobei konforme Vorhersage durch statistisch garantierte Vorhersagemengen besonders für hochriskante Entscheidungen wertvoll ist.
Dieses Paper stellt PCID vor, eine neue Methode zur Erkennung mehrerer Change-Points in kreisförmigen Signalen, die auf Isolation und Permutationstests basiert und sich durch Robustheit gegenüber verschiedenen Verteilungen sowie durch erfolgreiche Anwendungen auf reale Datensätze auszeichnet.
Das Paper stellt ReTabSyn vor, eine auf Reinforcement Learning basierende Methode zur realistischen Synthese tabellarischer Daten, die durch den Fokus auf die bedingte Verteilung und direktes Feedback zur Erhaltung von Merkmalskorrelationen insbesondere bei kleinen, unausgewogenen Datensätzen die Leistungsfähigkeit nachgelagerter Modelle verbessert.
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 stellt eine formale Repräsentation von Datenanalysen vor, die über die reine Reproduzierbarkeit hinausgeht, indem sie die logische Konstruktion und die zugrunde liegenden Annahmen des Analysten explizit macht, um eine datenunabhängige Bewertung, Visualisierung der Schlussfolgerungen und eine Sensitivitätsanalyse zu ermöglichen.
Die Arbeit stellt eine detaillierte Erklärung und Weiterentwicklung einer statistischen Methode zur Risikotrennung vor, die durch die Nutzung aller verfügbaren Daten und Maximum-Likelihood-Schätzung die Präzision der Wirksamkeitsbewertung von Krebs-Screening-Programmen im Vergleich zu herkömmlichen Ansätzen erheblich steigert.
Dieser Beitrag stellt neuartige Kernel-basierte Tests vor, die unter Verwendung der Kernel-Stein-Diskrepanz und der Maximum-Mean-Diskrepanz die Äquivalenz von Verteilungen überprüfen und damit die Grenzen traditioneller Anpassungstests überwinden, indem sie das Fehlen statistisch relevanter Unterschiede mit kontrollierten Fehlerquoten nachweisen.
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.
Diese Arbeit stellt ein heterogenitätsadaptives Meta-Analyse-Framework vor, das durch eine Kullback-Leibler-Divergenz-Strafe die Informationsverteilung zwischen Datensätzen anpasst und so effizientere Schätzer mit geringerem mittleren quadratischen Fehler als herkömmliche Methoden liefert.
Die Autoren stellen einen vollständig nichtparametrischen Ansatz zur Konstruktion von Toleranzintervallen mittels eines kalibrierten Gibbs-Posterior vor, der durch die Anpassung der Lernrate eine zuverlässige frequentistische Abdeckung bei gleichzeitig kürzeren Intervallen im Vergleich zu klassischen Methoden gewährleistet.
Diese Arbeit stellt eine praktische Methode vor, die Kernel-Dichteschätzer nutzt, um das Risiko der Mitgliedschaftsoffenlegung in tabellarischen synthetischen Daten zu quantifizieren und dabei effizientere und genauere Bewertungen als bisherige Ansätze ohne aufwändige Schattenmodelle ermöglicht.
Diese Arbeit untersucht partielle Copulas als nichtlineares Analogon zur partiellen Korrelation, um die Abhängigkeit zwischen Zufallsvariablen nach Adjustierung für Kovariaten zu charakterisieren, und zeigt deren Potenzial für die kausale Inferenz auf.
Die Studie stellt einen Rahmen für die selektive Vorhersage zur Massenspektren-basierten Molekülidentifikation vor, der durch die Nutzung von Unsicherheitsquantifizierung auf Abfrageebene und verteilungsfreien Risikokontrollen eine zuverlässige Abstimmung zwischen Vorhersagegenauigkeit und Abdeckung ermöglicht.
Die Arbeit stellt Scorio, eine Open-Source-Bibliothek für statistische Ranking-Methoden, vor, die es ermöglicht, Reasoning-LLMs unter Test-Time-Scaling zuverlässig zu bewerten, wobei sich zeigt, dass die meisten Methoden auch bei begrenzten Versuchen mit einem Bayesianischen Goldstandard übereinstimmen.
Die Studie entwickelt ein kausales Überlebensanalyse-Rahmenwerk für Plattformstudien, das zeigt, dass die Nutzung nur gleichzeitiger Kontrollen mit einem doppelt robusten Schätzer die zuverlässigste Methode ist, um Verzerrungen durch nicht-gleichzeitige Kontrollen zu vermeiden und gleichzeitig die Präzision zu erhöhen.