219 articles
Cette étude propose une méthode innovante de sous-typage du cancer basée sur le clustering de graphes informé par les trajectoires, qui intègre des données cliniques multimodales et longitudinales pour identifier des sous-groupes de patients aux profils évolutifs et pronostiques distincts, dépassant ainsi les limites des approches statiques traditionnelles.
Cet article propose un prédicteur pseudo-empirique optimal multivarié pour estimer les moyennes de plusieurs variables dépendantes dans de petits domaines en tenant compte des mécanismes d'échantillonnage complexes, tout en dérivant des estimateurs d'erreur quadratique moyenne par bootstrap et en validant la méthode via des simulations et une application sur des données de logement.
Cet article propose et évalue deux nouveaux algorithmes de g-computation capables d'estimer simultanément les effets causaux d'interventions temporelles dans le contexte d'événements semi-compétitifs et de facteurs de confusion variables dans le temps, démontrant leur supériorité par simulation et leur application à l'étude de l'impact de l'arrêt du tabagisme sur l'hypertension et la mortalité.
Cet article développe une théorie générale pour l'apprentissage pondéré par les résultats (OWL) en établissant des relations entre le risque 0-1 et une large classe de fonctions de perte de substitution via une transformation variationnelle, en démontrant des taux de convergence pour les noyaux Matern et gaussiens, et en proposant des algorithmes d'optimisation convexes itératifs pour améliorer les règles de traitement individualisé.
Cet article démontre que, lorsque la conditionnelle d'un modèle hiérarchique bayésien suit une distribution canonique de principe d'entropie maximale, la loi marginale dépendante qui en résulte conserve également une propriété d'entropie maximale sous une contrainte différente portant sur la distribution marginale d'une fonction des paramètres inconnus.
Cet article propose un nouveau cadre ARCH au niveau opérateur pour les données dans des espaces de Hilbert séparables, permettant de modéliser l'évolution complète de l'opérateur de covariance conditionnelle, et établit les propriétés théoriques de stationnarité ainsi que des estimateurs consistants pour ce modèle.
Cet article démontre qu'une classe de combinaisons optimisées de valeurs-e, issues de processus-e, reste valide même lorsque le paramètre de réglage est optimisé à partir des données, et propose une méthode de test améliorée basée sur les polynômes symétriques élémentaires pour des variables-e simultanées.
Cet article propose les Graphes de Concepts Causaux (CCG), une méthode combinant des autoencodeurs épars et un apprentissage de structure différentiable pour cartographier les dépendances causales entre concepts dans l'espace latent des LLM, démontrant ainsi une supériorité significative sur les approches existantes pour le raisonnement étape par étape.
Cet article propose la régression Gimbal, un cadre de régression locale déterministe et géométriquement conscient qui améliore la stabilité numérique et la transparence diagnostique face à l'hétérogénéité spatiale et aux problèmes de conditionnement.
Cet article propose une méthode d'estimation robuste pour mettre à jour un modèle de prédiction des risques en intégrant des informations de classement externes, permettant de tirer parti de modèles pronostiques établis même lorsque leurs scores de risque absolus ne sont pas directement transférables en raison de différences entre les populations d'étude.
Cet article propose un estimateur ciblé minimum de perte assisté par des substituts pour estimer des effets causaux avec des résultats retardés et une censure administrative, offrant une solution doublement robuste et asymptotiquement linéaire qui évite l'instabilité des pondérations par probabilité d'inverse et élimine les biais d'ordre supérieur sans nécessiter l'estimation directe de la loi des substituts conditionnels.
Le papier propose la méthode PATRO, une approche simple et efficace qui ajuste les estimations d'expériences aléatoires de manière indépendante pour optimiser simultanément les décisions de déploiement et les choix opérationnels en aval, offrant des performances proches de l'optimalité bayésienne tout en évitant les pertes dues à l'asymétrie des coûts d'erreur.
Cet article établit une approximation gaussienne forte pour les statistiques U non dégénérées en haute dimension, en fournissant une fondation théorique unifiée pour l'inférence statistique et les tests de changement de point sans recourir à des bornes ni à des arguments de bootstrap, même sous des distributions à queues lourdes.
Cet article propose une approche de prédiction conforme, à la fois agnostique du modèle et sans hypothèse de distribution, pour construire des intervalles de prévision dans des séries temporelles fonctionnelles de haute dimension, en comparant les performances des méthodes de prédiction conforme fractionnée et séquentielle sur des données de mortalité par âge au Japon et au Canada.
Cette revue méthodologique de 100 méta-analyses de précision diagnostique publiées en 2024 révèle que les investigations d'hétérogénéité sont fréquentes mais souvent mal rapportées, avec une prédominance d'analyses de sous-groupes et une nécessité accrue de pré-spécification dans les protocoles pour améliorer la transparence.
Cet article propose une nouvelle méthode, nommée PCID, pour la détection de multiples points de changement dans des signaux circulaires par morceaux constants, en utilisant l'isolation et des tests de permutation basés sur une fonction de contraste robuste.
Motivé par un essai clinique sur le cancer gastrique, cet article propose un cadre bayésien de conception et d'analyse pour les essais de précision qui intègre des données externes via un modèle de pondération individuelle basé sur la similarité des covariables, permettant un emprunt partiel d'information pour améliorer l'estimation des effets dans des sous-groupes rares.
Cet article explique en détail et généralise une méthode de « risk time splitting » utilisant des données pré-dépistage historiques et des offsets de régression de Poisson pour améliorer la précision de l'estimation de l'effet des programmes de dépistage sur la mortalité ultérieure, comme démontré par des intervalles de confiance plus étroits sur des données norvégiennes et danoises.
Cet article propose de nouveaux tests d'équivalence basés sur des noyaux, utilisant la divergence de Stein et la divergence maximale de moyenne pour évaluer l'absence de différences significatives entre distributions sans les limitations des méthodes paramétriques ou des tests de moments.
Cet article propose un cadre d'analyse méta-adaptative pour les modèles linéaires qui, en pénalisant la divergence de Kullback-Leibler pour rétrécir les distributions spécifiques vers un centre commun, permet d'adapter le partage d'information entre études sans supposer l'homogénéité des paramètres, tout en garantissant une erreur quadratique moyenne inférieure à celle des estimateurs classiques et des procédures d'inférence valides.