2379 पेपर
यह शोध पत्र SPINEX-TimeSeries को प्रस्तुत करता है, जो एक नवीन समानता-आधारित पूर्वानुमान एल्गोरिदम है जो विविध डेटासेट्स पर शीर्ष-स्तरीय भविष्य कहनेवाला सटीकता और व्याख्यात्मकता प्राप्त करने के लिए उच्च-क्रम के टेम्पोरल इंटरैक्शन का लाभ उठाता है, जबकि मध्यम कम्प्यूटेशनल जटिलता बनाए रखता है।
यह शोध पत्र विभिन्न तार्किक सूत्रीकरणों के माध्यम से मशीन लर्निंग (ML) एकीकरण द्वारा कैसे तीन महत्वपूर्ण विरोधाभासों—विश्लेषण पक्षाघात (analysis paralysis), अव्यवहार्य समाधान (infeasible solutions), और रॅशोमन प्रभाव (Rashomon effect)—को जन्म दिया जा सकता है, यह प्रदर्शित करते हुए पारंपरिक सिविल इंजीनियरिंग प्रथाओं और मशीन लर्निंग के बीच के दार्शनिक तनावों का अन्वेषण करता है, जिससे इन उभरती प्रौद्योगिकियों को स्थापित सिद्धांतों के साथ सामंजस्य बिठाने के लिए इंजीनियरिंग शिक्षा और कार्यप्रणाली में एक मौलिक ज्ञानमीमांसीय (epistemological) परिवर्तन का तर्क दिया गया है।
यह शोध पत्र एक कुशल दो-चरणीय बेयस अनुमान ढांचा प्रस्तावित करता है जो मिश्रण मॉडलों के माध्यम से पश्च वितरण (पोस्टीरियर डिस्ट्रीब्यूशन) को अनुमानित करने के लिए पारेटो स्मूद्ड इम्पोर्टेंस सैंपलिंग और पुनरावृत्ति मोमेंट मैचिंग का उपयोग करता है, जिससे सटीकता से समझौता किए बिना सरोगेट मॉडलिंग और लुप्त डेटा प्रतिस्थापन में अनिश्चितता के प्रसार की कम्प्यूटेशनल लागत को महत्वपूर्ण रूप से कम किया जा सकता है।
यह शोध पत्र विकर्ण (diagonal) और ऑफ-विकर्ण (off-diagonal) दंड फलनों (penalty functions) पर विशिष्ट पूंछ संबंधी स्थितियों (tail conditions) को स्थापित करता है जो धनात्मक अर्ध-निश्चितता वाले नमूना सहप्रसरण (positive semidefinite sample covariance) वाले गॉसियन परिशुद्धता आव्यूहों (Gaussian precision matrices) के लिए दंडित संभावना अनुमानों (penalised likelihood estimates) के अस्तित्व की गारंटी देते हैं, और पृथकरणीय प्रायर (separable priors) के तहत पश्च वितरण (posterior distributions) की सुसंयुक्तता (propriety) सुनिश्चित करने वाले निष्कर्षों को प्राप्त करने के लिए इन निष्कर्षों का विस्तार करता है।
यह शोधपत्र FreB को प्रस्तुत करता है, जो एक कठोर प्रोटोकॉल है जो संभावित रूप से पक्षपाती जनरेटिव एआई पोस्टीरियर वितरणों को सांख्यिकीय रूप से वैध कॉन्फिडेंस क्षेत्रों में परिवर्तित करता है, जिससे उन जटिल इन्वर्स समस्याओं के लिए विश्वसनीय वैज्ञानिक अनुमान सक्षम होता है जहाँ पारंपरिक लाइकलीहुड मूल्यांकन अव्यवहार्य है।
यह शोध पत्र एक बेयसियन स्पेसियो-टेम्पोरल पदानुक्रमित ढांचे का प्रस्ताव करता है जो स्थानिक रूप से सहसंबंधित हाइपरपैरामीटर्स के साथ क्षेत्र-विशिष्ट गाऊसी प्रक्रियाओं का उपयोग करके टेम्पोरल डायनेमिक्स को मॉडल करता है, और मोजाम्बिक मलेरिया डेटा के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण टेम्पोरल डिपेंडेंस पर स्थानिक जानकारी को प्रभावी ढंग से उधार लेकर पारंपरिक मॉडलों की तुलना में प्रतिस्पर्धी भविष्य कहनेवाला सटीकता और बेहतर अनिश्चितता अंशांकन प्राप्त करता है।
यद्यपि पूर्वानुमान के लिए सैद्धांतिक रूप से इष्टतम होने के बावजूद, टैबुलर लर्निंग में मार्कोव बाउंड्री (Markov boundary) का उपयोग वर्तमान कॉज़ल डिस्कवरी (causal discovery) विधियों द्वारा कंप्यूट बजट के भीतर इसे सटीक रूप से पुनर्प्राप्त करने में असमर्थता के कारण व्यावहारिक रूप से बाधित है, जो संरचनात्मक पुनर्प्राप्ति और भविष्य कहनेवाला प्रदर्शन के बीच एक महत्वपूर्ण अंतर को प्रकट करता है जिसके लिए पूर्वानुमान लक्ष्यों के अनुरूप नई फीचर चयन रणनीतियों की आवश्यकता है।
यह शोधपत्र यह प्रदर्शित करता है कि सीखे गए एक्सपोज़र मैपिंग (exposure mappings), जैसे कि पर्यावरणीय परिवहन प्रक्रियाओं द्वारा प्रेरित, के साथ हस्तक्षेप (interference) के तहत कारण अनुमान (causal inference) में, विभिन्न परिवहन मॉडलों में समान भविष्य कहनेवाला सटीकता (predictive accuracy) प्राप्त करना सुसंगत स्पिलओवर प्रभाव (spillover effect) अनुमानों की गारंटी नहीं देता है, जो इस बात को रेखांकित करता है कि विश्वसनीय कारण निष्कर्षों के लिए केवल भविष्य कहनेवाला सहमति ही अपर्याप्त है।
यह शोध पत्र एक नवीन टू-सैंपल लोकल पॉलीनोमियल रिग्रेशन फ्रेमवर्क प्रस्तावित करता है, जिसमें सोर्स-टू-टारगेट डिस्टेंस कोवेरिएंस ऑप्टिमल वेटिंग एक्सटेंशन का उपयोग किया गया है, ताकि कोवेरिएट शिफ्ट के तहत निरंतर उपचार प्रभावों (कंटीन्यूअस ट्रीटमेंट इफेक्ट्स) का सुसंगत अनुमान लगाया जा सके, जो मौजूदा विधियों की उस सीमा को संबोधित करता है जहाँ यह माना जाता है कि प्रेक्षित नमूना लक्षित जनसंख्या का प्रतिनिधित्व करता है।
यह शोध पत्र सी-वाइन (C-vine) और डी-वाइन (D-vine) कोपुलस का उपयोग करते हुए एक नवीन इम्प्यूटेशन-आधारित डेटा फ्यूजन ढांचे का प्रस्ताव करता है ताकि सर्वेक्षण और प्रशासनिक कर डेटा के बीच जटिल बहुभिन्निकीय निर्भरता संरचनाओं और विषम सीमांत वितरणों को प्रभावी ढंग से संरक्षित करके नकारात्मक आय वितरणों का सटीक अनुमान लगाया जा सके।