2434 पेपर
यह शोध पत्र ABC और गिनी स्कोर जैसे व्यापक रूप से उपयोग किए जाने वाले भविष्य कहनेवाला सटीकता मापों की आलोचना करता है क्योंकि वे माध्य-सुसंगत हानि फलनों (mean-consistent loss functions) के साथ संरेखित नहीं हैं, और इसके बजाय एक नए मर्फी अपघटन (Murphy's decomposition) और लोरेन्ज़-वक्र-आधारित मेट्रिक्स का प्रस्ताव देता है ताकि ईमानदार मॉडल मूल्यांकन और सुदृढ़ पूर्वानुमान प्रभुत्व विश्लेषण सुनिश्चित किया जा सके।
यह शोध पत्र एक कैलिब्रेशन-जागरूक नैदानिक ढांचे को प्रस्तुत करता है जो सूडो-लेबल वाले रिग्रेशन में कॉन्फिडेंस थ्रेशोल्डिंग द्वारा प्रेरित एटेन्यूएशन बायस (attenuation bias) के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करता है, जिससे अभ्यासकर्ताओं को यह निर्धारित करने के लिए कि डाउनस्ट्रीम इन्फरेंस के लिए ऐसा थ्रेशोल्डिंग कब सुरक्षित है, अवशिष्ट स्कोर वेरिएंस (residual score variance) पर आधारित एक गणनीय निर्णय नियम का उपयोग करने में सक्षम बनाया जा सके।
यह शोध पत्र इस बात का मूल्यांकन करता है कि कैसे नैदानिक परीक्षणों (clinical trials) में नमूना आकार पुनर्मूल्यांकन (sample size re-estimation) के साथ परिणाम विलंब, औसत नमूना आकार और शक्ति (power) को बढ़ाकर दक्षता को कम कर देते हैं, विशेष रूप से तब जब पुनर्मूल्यांकित नमूना आकार मूल रूप से नियोजित आकार से छोटा होता है, जिससे अत्यधिक लागत वाले ओवरपावर्ड (overpowered) परीक्षण होते हैं।
यह शोध पत्र विषयों को साझा निम्न-रैंक (low-rank) गुप्त संरचनाओं के मिश्रण के रूप में प्रस्तुत करके शून्य-स्फीत भारित मस्तिष्क संयोजकों (zero-inflated weighted brain connectomes) का विश्लेषण करने के लिए एक हर्डल संभावना (hurdle likelihood) के साथ एक बेयसियन अनुकूलन योग्य गुप्त मिश्रण मॉडल प्रस्तावित करता है, जबकि सिमुलेशन और ह्यूमन कनेक्टोम प्रोजेक्ट अनुप्रयोगों में सैद्धांतिक निरंतरता स्थापित करता है और बेसलाइन की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र एक प्री-ट्रेनिंग रणनीति प्रस्तुत करता है जो उच्च-आयामी घनत्व अनुमान (high-dimensional density estimation) के लिए स्थान-अनुकूलित कर्नेल (location-adaptive kernels) की सिफारिश करने हेतु न्यूरल नेटवर्क का लाभ उठाता है, जो सटीकता में महत्वपूर्ण सुधार करता है जब लक्षित वितरण प्री-ट्रेनिंग परिवार के अनुरूप होता है और वितरण भिन्न होने पर भी फाइन-ट्यूनिंग के माध्यम से प्रभावी बना रहता है।
यह शोध पत्र तर्क देता है कि एक अंतर्निहित इम्प्यूटर (imputer) के रूप में कार्य करने वाले लार्ज लैंग्वेज मॉडल्स को लुप्त सूचना के साथ अनिश्चितता का पैमाना प्रदर्शित करना चाहिए, यह पाते हुए कि जबकि सैंपलिंग-आधारित आत्मविश्वास संदर्भ क्षरण (context degradation) को दर्शाने में विफल रहता है, रिस्पॉन्स एंट्रॉपी (response entropy) लुप्तता को प्रभावी ढंग से ट्रैक करती है और सटीकता का बेहतर पूर्वानुमान लगाती है।
यह शोध पत्र संभाव्यता वर्गों (probability classes) पर कमजोर धारणाओं का लाभ उठाकर प्रोपेंसिटी और चयन संभावनाओं को अभिलक्षणित करते हुए, चयन पूर्वाग्रह (selection bias) के तहत औसत उपचार प्रभाव (Average Treatment Effect - ATE) की पहचान करने के लिए आवश्यक और पर्याप्त स्थितियाँ स्थापित करता है, जिससे मौजूदा ग्राफिकल मानदंडों को कारण प्रभाव की पहचान की अधिक व्यापक समझ के लिए कड़ाई से कमजोर स्थितियों के साथ विस्तारित किया गया है।
यह शोध पत्र एक नैदानिक ढांचे (diagnostic framework) को प्रस्तुत करता है जो इनपुट स्पेस के एक कैलिब्रेशन-जागरूक प्रतिनिधित्व (calibration-aware representation) को सीखकर बड़े भाषा मॉडलों में छिपे हुए, इनपुट-निर्भर मिसकैलिब्रेशन शासन (miscalibration regimes) की खोज करता है, जिससे पारंपरिक वैश्विक विधियों की तुलना में अधिक प्रभावी स्थानीय आत्मविश्वास सुधार (local confidence corrections) सक्षम होते हैं।
यह शोध पत्र एकल-कण प्रक्षेपवक्र (single-particle trajectory) और कुल कण घनत्व (total particle density) डेटा के बीच अंतर करके स्थान-कालिक स्टोकेस्टिक प्रक्रियाओं (spatio-temporal stochastic processes) की संरचनात्मक पहचान क्षमता (structural identifiability) का आकलन करने के लिए एक नवीन कार्यप्रणाली प्रस्तुत करता है, जो यह प्रदर्शित करता है कि पैरामीटर की पुनर्प्राप्ति (parameter recoverability) अवलोकन प्रकार और प्रारंभिक स्थितियों पर महत्वपूर्ण रूप से निर्भर करती है।
यह शोध पत्र 'कॉज़ल डिस्कवरी वाया स्टैटिस्टिकल पावर' (CDSP) को प्रस्तुत करता है, जो एक नवीन सांख्यिकीय अनुमान ढांचा है जो अनिश्चितता परिमाणीकरण के साथ कारण दिशा का अनुमान लगाने के लिए प्रभाव-आकार विषमता (effect-size asymmetry) का लाभ उठाता है, और मौजूदा विधियों की तुलना में बेहतर मजबूती और कम गलत खोज दर प्रदर्शित करता है।