2379 पेपर
यह शोध पत्र हेटेरोजेनियस मैट्रिक्स फैक्टराइजेशन (HMF) का प्रस्ताव करता है, जो एक सैद्धांतिक रूप से सुदृढ़ और आसानी से लागू होने वाला एल्गोरिदम है जो ऑर्थोगोनैलिटी बनाए रखने के लिए इनवेरिएंस प्रॉपर्टी का लाभ उठाकर विषम डेटा में साझा और स्रोत-विशिष्ट कारकों को प्रभावी ढंग से अलग करता है, जिसकी सफलता वीडियो सेगमेंटेशन से लेकर रिकमेंडर सिस्टम तक के अनुप्रयोगों में प्रदर्शित की गई है।
यह शोध पत्र उच्च-आयामी एक-नमूना स्थान परीक्षण (one-sample location testing) के लिए एक अनुकूली एल-सांख्यिकी (L-statistic) ढांचे का प्रस्ताव करता है जो विभिन्न विरल स्तरों (sparsity levels) में सुदृढ़ प्रदर्शन प्राप्त करने के लिए कॉची संयोजन परीक्षण (Cauchy combination test) के माध्यम से स्थिर और विचलित होते पैरामीटर सांख्यिकी को जोड़ता है, जिसे सैद्धांतिक अनंतस्पर्शी परिणामों और अनुभवजन्य सत्यापन द्वारा समर्थित किया गया है।
यह शोध पत्र एक नियंत्रित, पुनरुत्पादनीय बेंचमार्क प्रस्तुत करता है जो यह प्रदर्शित करता है कि समान-लागत वाले टॉप-के (top-k) आवंटन का ऑफलाइन मूल्यांकन मुख्य रूप से लॉगिंग में एक्शन-स्तर की असहमति, प्रोपेंसिटी एस्टीमेशन त्रुटियों और पॉलिसी पुन: उपयोग पूर्वाग्रह के कारण बाधित होता है, न कि सरल ओवरलैप मेट्रिक्स के कारण, जो अभ्यासकर्ताओं को ईमानदार पॉलिसी-स्तरीय विभाजन और सुदृढ़ एस्टीमेटर चयन के माध्यम से इन विशिष्ट बाधाओं से निपटने के लिए एक मार्गदर्शिका प्रदान करता है।
यह शोध पत्र जलवायु फिंगरप्रिंटिंग में प्रिसिजन मैट्रिक्स (precision matrix) के आकलन के लिए एक गैर-रेखीय, रोटेशन-इनवेरिएंट श्रिंकेज फ्रेमवर्क प्रस्तावित करता है, जो अधिक विश्वसनीय जलवायु परिवर्तन पहचान और एट्रिब्यूशन परिणाम प्राप्त करने के लिए वेरियंस हेटेरोजेनिटी (variance heterogeneity) और उच्च-आयामी सेटिंग्स के तहत पूर्वाग्रह को ठीक करता है और अनिश्चितता के परिमाणीकरण में सुधार करता है।
यह शोध पत्र बेयसियन ए/बी टेस्टिंग (Bayesian A/B testing) कॉन्फ़िगरेशन का एक व्यवस्थित तीन-स्तरीय पदानुक्रम प्रदान करता है, जो यह प्रदर्शित करता है कि जबकि कई वाणिज्यिक प्लेटफॉर्म बिना अंशांकन (uncalibrated) विधियों का उपयोग करते हैं, फॉल्स पॉजिटिव रेट, अनुमान त्रुटि और रिग्रेट जैसे विशिष्ट जोखिमों को नियंत्रित करने के लिए प्रायर्स (priors) और स्टॉपिंग रूल्स का उचित चयन—विशेष रूप से बेयस फैक्टर स्टॉपिंग और एम्पिरिकल बेयस—अनिवार्य है।
यह शोध पत्र समय-निर्भर मध्यस्थों (mediators), भ्रमकारकों (confounders) और समय-से-घटना (time-to-event) परिणामों के साथ कारण मध्यस्थता विश्लेषण (causal mediation analysis) के लिए अंतर विधि (difference method) के प्रदर्शन का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि यह विशिष्ट मान्यताओं (जैसे कि समय-निर्भर भ्रमकारों पर उपचार का प्रभाव न होना) का उपयोग करते हुए अलेन (Aalen) या कॉक्स (Cox) मॉडल के तहत निष्पक्ष अनुमान प्रदान कर सकता है, लेकिन यह अधिक सुदृढ़ पैरामीट्रिक मेडिएशनल जी-फॉर्मूला (parametric mediational g-formula) की तुलना में पूर्वाग्रह या कोलैप्सिबिलिटी (collapsibility) संबंधी समस्याओं के कारण आम तौर पर विफल रहता है।
यह शोधपत्र नेटवर्क डेटा में कारणत्मक मध्यस्थता विश्लेषण (causal mediation analysis) के लिए एक गैर-पैरामीट्रिक ढांचे का प्रस्ताव करता है जो उच्च-आयामी भ्रामक कारकों (high-dimensional confounding) और उपचार एवं मध्यस्थ के साथ-साथ होने वाले स्पिलओवर को संभालने के लिए ग्राफ न्यूरल नेटवर्क का उपयोग करता है, जिससे अनुमानित पड़ोस हस्तक्षेप (approximate neighborhood interference) के तहत डबली रोबस्ट अनुमानकों (doubly robust estimators) और अनिश्चितता की विषमता (asymptotic normality) के साथ प्रत्यक्ष और अप्रत्यक्ष प्रभावों की पहचान संभव हो पाती है।
यह शोध पत्र प्रतिस्पर्धी जोखिमों (competing risks) के साथ समय-से-घटना (time-to-event) डेटा में उपसमूह औसत उपचार प्रभावों का अनुमान लगाने के लिए एक नवीन, द्वि-सुदृढ़ (doubly robust) लक्षित अधिकतम संभावना अनुमान (TMLE) ढांचे का प्रस्ताव करता है, जिसमें सटीक चिकित्सा रणनीतियों को अनुकूलित करने के लिए नए व्युत्पन्न चर महत्व उपायों (variable importance measures) की विशेषता है।
यह शोध पत्र अल्ट्रा-हाई-डायमेंशनल सेटिंग्स में कॉज़ल मीडिएशन एनालिसिस के लिए एक नवीन मल्टी-स्टेप डिबायसिंग एस्टिमेटर का प्रस्ताव करता है जो जटिल इंटरेक्शन प्रभावों को समाहित करता है, और नेचुरल डायरेक्ट एवं इनडायरेक्ट प्रभावों के लिए वैध इन्फरेंस सक्षम करने हेतु इसकी -कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी स्थापित करता है।
यह शोध पत्र ग्राफिकल हाइपरजियोमेट्रिक और नेगेटिव हाइपरजियोमेट्रिक वितरणों को जोड़ने के माध्यम से क्लासिकल सैंपलिंग स्कीम्स को डिकम्पोजेबल ग्राफ्स तक विस्तारित करके, बहुभिन्निकीय काउंट डेटा (multivariate count data) को मॉडल करने के लिए एक एकीकृत पैरामीट्रिक फ्रेमवर्क प्रस्तुत करता है, जिससे अपवर्जन या असंगति संबंधी बाधाओं के अधीन डेटा के लिए सुलभ बेयसियन अनुमान (Bayesian inference) सक्षम होता है।