2434 पेपर
यह शोध पत्र SC3D को प्रस्तुत करता है, जो एक दो-चरणीय विभेदक (differentiable) ढांचा है जो मल्टीवेरिएट टाइम सीरीज़ से लैग-विशिष्ट (lag-specific) और तात्कालिक कारण संरचनाओं (instantaneous causal structures) को संयुक्त रूप से सीखता है, जो मौजूदा विधियों की तुलना में विविध सिंथेटिक और वास्तविक दुनिया के बेंचमार्क में डायनेमिक ग्राफ को रिकवर करने में बेहतर स्थिरता और सटीकता प्रदर्शित करता है।
यह शोध पत्र एक प्रेडिक्शन-इंटरवेंशन गेम फ्रेमवर्क पेश करता है जहाँ एक लीडर (नेता) फॉलोअर (अनुगामी) के रणनीतिक कोवेरिएट हस्तक्षेपों का पूर्वानुमान लगाता है, यह सिद्ध करते हुए कि "स्टेबल ब्लैंकेट" (कोवेरिएट्स का एक विशिष्ट अपरिवर्तनीय उपसमुच्चय) पर आधारित भविष्यवक्ता केवल कॉज़ल पेरेंट्स (कारणजनक माता-पिता) पर निर्भर रहने वाले भविष्यवक्ताओं की तुलना में श्रेष्ठ या समकक्ष प्रदर्शन प्रदान करते हैं, साथ ही सबसे खराब स्थिति की इष्टतमता (worst-case optimality) के लिए स्थितियाँ स्थापित करते हैं और सिमुलेशन एवं वास्तविक डेटा के माध्यम से इन रणनीतियों को मान्य करते हैं।
यह शोध पत्र PMM-FP को प्रस्तुत करता है, जो एक गणनात्मक रूप से कुशल फ्रीक्वेंटिस्ट (frequentist) विधि है जो फ्रैक्शनल पॉलीनोमियल आधारों तक पॉलीनोमियल मैक्सिमाइजेशन का विस्तार करती है, और सैद्धांतिक व्युत्पत्ति एवं मोंटे कार्लो सत्यापन के माध्यम से यह प्रदर्शित करती है कि यह विषम गैर-गाऊसी त्रुटियों (asymmetric non-Gaussian errors) के लिए साधारण न्यूनतम वर्ग (ordinary least squares) की तुलना में महत्वपूर्ण रूप से विचरण (variance) को कम करती है, जिससे यह बेयज़ियन फ्रैक्शनल पॉलीनोमियल मॉडलिंग के लिए एक व्यावहारिक सेतु के रूप में कार्य करती है।
यह शोध पत्र प्रदर्शित करता है कि जब पूर्वानुमान त्रुटियों (forecast errors) में अनंत विचरण (infinite variance) के कारण भारी पूंछ (heavy tails) होती है, तो डिबोल्ड-मारियानो परीक्षण गंभीर आकार विरूपण (size distortions) से ग्रस्त होता है, और एक सुदृढ़ सब-सैंपलिंग विकल्प प्रस्तावित करता है जो विचरण या टेल इंडेक्स अनुमान की आवश्यकता के बिना वैध निष्कर्ष सुनिश्चित करता है।
यह शोध पत्र होल्डर निरंतर (Hölder continuous) गुणात्मक शोर वाले एकचर स्टोकेस्टिक डिफरेंशियल इक्वेशंस (univariate stochastic differential equations) के लिए ली-ट्रोटर (Lie-Trotter) और स्ट्रैंग स्प्लिटिंग (Strang splitting) योजनाओं पर आधारित पहले स्पष्ट सूडो-लाइकलीहुड अनुमानकों (explicit pseudo-likelihood estimators) को प्रस्तुत करता है, जो उनके स्ट्रॉन्ग मीन-स्क्वायर अभिसरण (strong mean-square convergence), अवस्था स्थान संरक्षण (state space preservation), और मौजूदा यूलर-मारियुमा (Euler-Maruyama) आधारित विधियों की तुलना में बेहतर सटीकता और दक्षता को सिद्ध करते हैं।
यह शोध पत्र कॉक्स रिग्रेशन गुणांकों और संचयी खतरा कार्यों (cumulative hazard functions) के लिए निजी परीक्षण विकसित करके, सर्वाइवल एनालिसिस में डिफरेंशियल प्राइवेट परिकल्पना परीक्षण (hypothesis testing) के लिए एक परिमित-नमूना सिद्धांत (finite-sample theory) स्थापित करता है, साथ ही गोपनीयता बाधाओं के सांख्यिकीय प्रभाव को चित्रित करने के लिए सैद्धांतिक गारंटी, मिनिमैक्स लोअर बाउंड्स और संख्यात्मक सत्यापन प्रदान करता है।
यह शोध पत्र किसी रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (Reproducing Kernel Hilbert Space) के भीतर एक नियमितकृत शिक्षण कार्य (regularized learning task) के रूप में समस्या को पुनर्गठित करके, मनमाने ढंग से संरचित परिकल्पना स्थानों (hypothesis spaces) में फॉल्स डिस्कवरी रेट (False Discovery Rate) को नियंत्रित करने के लिए एक नवीन ढांचे को प्रस्तुत करता है, जिससे ग्राफ और पदानुक्रम जैसी विविध संरचनाओं को सुव्यवस्थित करने और प्रमाणित एफडीआर (FDR) गारंटियों के साथ सहज, नमूना-कुशल अनुमान सक्षम करने में मदद मिलती है।
यह शोध पत्र क्रमित विविक्त (ordered discrete) POVM के लिए एक अवशिष्ट रूपांतरण (residual transform) प्रस्तुत करता है, जो क्रमिक परीक्षण (sequential testing) के माध्यम से, एक संकुचित (collapsed) POVM उत्पन्न करता है जिसमें परस्पर लंबवत (mutually orthogonal) गैर-पलायन (non-escape) निर्देशांक होते हैं, जिससे एक तुल्यता संबंध स्थापित होता है जहाँ भिन्न ऑफ-डायगोनल कपलिंग वाले विशिष्ट क्रमित यथार्थसातीकरण (ordered realizations) एक ही संकुचित छवि उत्पन्न कर सकते हैं।
यह नियंत्रित प्रयोगात्मक मूल्यांकन प्रकट करता है कि मानक स्थिरता रूपांतरण (stationarity transformations) आम तौर पर समय श्रृंखला पूर्वानुमान सटीकता में सुधार करने में विफल रहते हैं—अक्सर रुझान वाले डेटा (trended data) के लिए प्रदर्शन को बदतर बना देते हैं—सिवाय विषमविचालिता (heteroscedasticity) के मामलों के जहाँ विचरण स्थिरीकरण (variance stabilization) लाभकारी सिद्ध होता है, जो यह सुझाव देता है कि रूपांतरण चयन के लिए सैद्धांतिक धारणाओं के बजाय अनुभवजन्य आउट-ऑफ-सैंपल परीक्षण द्वारा मार्गदर्शन किया जाना चाहिए।
यह शोध पत्र टू-वे फिक्स्ड इफेक्ट्स और एंडोजेनिटी वाले नॉनपैरामीट्रिक पैनल मॉडल्स में औसत अवकल प्रभाव (average derivative effects) का अनुमान लगाने के लिए एक डबल/डीबायस्ड मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है, जो निरंतर उपचार प्रभावों (continuous treatment effects) के लिए सुसंगत, एसिम्प्टोटिकली नॉर्मल एस्टिमेटर्स प्राप्त करने हेतु इंस्ट्रूमेंटल वेरिएबल्स, क्रॉस-फिटिंग और पेनलाइज्ड GMM का उपयोग करता है।