257 articles
Cet article établit un cadre thermodynamique pour la modélisation pilotée par les données basé sur le principe d'entropie maximale de Jaynes, qui traite l'inférence comme un processus physique régi par une première loi de la thermodynamique informationnelle et utilise les anomalies de capacité thermique pour identifier de manière endogène des architectures de modèles optimales sans régularisation ad hoc.
Ce document introduit la « joignabilité géostatistique », un cadre étalonné par simulation qui qualifie les classes de modèles spatiaux en évaluant si n'importe quel membre admissible peut reproduire des diagnostics structurels spécifiques avant le classement prédictif, distinguant ainsi la compatibilité structurelle et l'observabilité de la simple performance prédictive.
Cet article introduit une nouvelle distribution de Weibull-Kumaraswamy-Lomax généralisée à six paramètres utilisant le cadre de la famille T-X, en dérivant ses fonctions fondamentales et en proposant un nouveau développement en série linéaire pour sa fonction de densité de probabilité afin de simplifier le calcul des moments bruts et de l'entropie.
Cet article soutient que la capacité de prévision des modèles d'apprentissage automatique pour la demande d'électricité urbaine est principalement déterminée par la prévisibilité intrinsèque des modèles de charge historiques d'une ville (spécifiquement la variance saisonnière et la sensibilité à la température) plutôt que par les caractéristiques structurelles ou la situation géographique de la ville.
Cette étude établit l'algorithme Top-Down Scale (TDS) comme une référence de calcul efficace et statistiquement robuste pour la régression pondérée géographiquement et temporellement multi-échelle, démontrant sa supériorité par rapport aux méthodes existantes en matière de récupération de paramètres et de calibration de l'incertitude, tout en révélant des moteurs urbains multi-échelles distincts à São Paulo à travers une analyse longitudinale de 34 938 observations de recensement.
Cette étude développe et valide un modèle d'apprentissage automatique d'ensemble basé sur le Stacking en utilisant 5,7 millions de dossiers de charge virale provenant de l'Ouganda pour prédire avec précision la charge virale de la prochaine visite pour les clients sous TAR, atteignant une performance supérieure avec un R² de 0,85 et utilisant LIME pour l'interprétabilité du modèle.
Cet article introduit un flux de travail indépendant des modèles pour distinguer la dépendance réelle à l'échelle locale des tendances artificielles causées par le mélange régional dans les distributions de la taille des îlots urbains, démontrant, à travers une analyse exhaustive de Tokyo, que si l'hétérogénéité régionale aplatit la queue de la distribution, les îlots plus petits présentent un accentuation locale significative qui ne peut être expliquée par les seuls effets de composition.
Cet article propose et valide deux types de modèles à indice unique incertains en utilisant l'estimation semi-paramétrique des moindres carrés avec des méthodes de noyau et de B-splines afin de traiter efficacement des données complexes et imprécises, comme le démontrent des études de simulation et une application météorologique pratique.
Cet article présente le développement théorique et la structure de l'échelle de risque d'allégeance du praticien (PARS-6), un nouvel instrument de six items conçu pour dépister et documenter systématiquement les caractéristiques liées à l'allégeance de l'enquêteur lors de l'extraction de données dans les revues systématiques de recherche sur les interventions, tout en précisant explicitement qu'il sert d'indicateur de risque descriptif plutôt que de mesure définitive de biais.
Cette étude utilise les données bibliométriques de SciVal et des modèles de prévision pour révéler que, bien que les universités d'État philippines aient considérablement augmenté leurs volumes de publications de 2015 à 2025, des disparités régionales substantielles et persistantes en matière de production et d'impact de la recherche — menées par la Région III — se poursuivront jusqu'en 2030 sans investissements ciblés dans le renforcement des capacités plutôt que des incitations uniformes.