2434 पेपर
यह शोध पत्र 1-बिट मैट्रिक्स पूर्णता (matrix completion) के लिए एक एम्पेरिकल बेयस (Empirical Bayes) विधि प्रस्तुत करता है, जो एफ्रोन-मॉरिस एस्टिमेटर (Efron–Morris estimator) से प्रेरित है, जो मौजूदा दृष्टिकोणों की तुलना में बेहतर भविष्य कहनेवाला सटीकता (predictive accuracy), अंशांकन विश्वसनीयता (calibration reliability) और गणनात्मक दक्षता प्राप्त करने के लिए लो-रैंक संरचनाओं का लाभ उठाता है।
यह शोध पत्र लोकेसन परिवारों (location families) में सभी पैरामीटर मानों के लिए फॉल्स डिस्कवरी रेट कर्व (false discovery rate curve) को नियंत्रित करने हेतु बेंजामिनी-होचबर्ग प्रक्रिया के एक सामान्यीकरण का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि मानक प्रक्रिया स्वाभाविक रूप से व्यावहारिक रूप से महत्वहीन मानों के लिए भी यह समवर्ती नियंत्रण प्रदान करती है।
यह शोध पत्र डिरिचलेट प्रोसेस मिश्रणों (Dirichlet process mixtures) का उपयोग करके प्रतिकृति चिह्नित पॉइसन पॉइंट प्रक्रियाओं (replicated marked Poisson point processes) के क्लस्टरिंग के लिए एक बायेसियन नॉनपैरामेट्रिक मॉडल प्रस्तुत करता है और ग्रिडिंग या थिनिंग के बिना नॉनकंजुगेट तीव्रता सतहों (nonconjugate intensity surfaces) को संभालने के लिए एक बाधित लाप्लास सन्निकटन (constrained Laplace approximation) के साथ एक कुशल वेरिएशनल इन्फरेंस एल्गोरिदम प्रस्तावित करता है।
यह शोध पत्र यह प्रदर्शित करता है कि लेबल किए गए कैलिब्रेशन डेटा वाले मल्टी-जज एलएलएम (LLM) मूल्यांकन में, केवल सटीकता के आधार पर उपसमुच्चय को क्यूरेट करने के बजाय सभी जजों को बनाए रखना और उनके आउटपुट को कैलिब्रेट करना काफी कम त्रुटि दर प्रदान करता है, क्योंकि कमजोर या पक्षपाती जज भी गैर-अतिरेक (non-redundant) संकेत प्रदान करते हैं जो संभाव्यता अंशांकन (probabilistic calibration) में सुधार करते हैं।
यह शोध पत्र यह स्थापित करता है कि एक्सपोज़र मैपिंग इंटरफेरेंस मॉडल्स के लिए कोई भी स्पेसिफिकेशन टेस्ट नेस्टेड मॉडल्स के बीच अंतर करते समय टाइप I और टाइप II त्रुटियों को एक साथ नियंत्रित नहीं कर सकता है, जो यह सिद्ध करता है कि ऐसा कोई भी टेस्ट तब तक रैंडम गेसिंग (यादृच्छिक अनुमान) से बेहतर प्रदर्शन नहीं करता जब तक कि वैकल्पिक परिकल्पना को और अधिक प्रतिबंधित न किया जाए, जैसा कि नो-इंटरफेरेंस और नेटवर्क-लीनियर-इन-मीन्स मॉडल्स के बीच अंतर करने वाले एक सुसंगत टेस्ट द्वारा प्रदर्शित किया गया है।
यह शोध पत्र LGB+ प्रस्तुत करता है, जो एक मैक्रोइकॉनोमिक पूर्वानुमान पद्धति है जो ग्रेडिएंट बूस्टिंग को रैखिक और ट्री-आधारित घटकों को गतिशील रूप से एकीकृत करके उन्नत बनाती है ताकि ऑटोरिग्रेसिव पर्सिस्टेंस और नॉन-लिनियरिटीज़ दोनों को कुशलतापूर्वक कैप्चर किया जा सके, जिससे मिश्रित रैखिक-नॉन-लीनियर संकेतों वाले अमेरिकी आर्थिक लक्ष्यों के लिए बेहतर भविष्य कहनेवाला प्रदर्शन प्रदान किया जा सके।
यह शोधपत्र मिलित अवलोकन संबंधी अध्ययनों (matched observational studies) में प्रभाव संशोधन (effect modification) की खोज के लिए एक परिमित-नमूना वैध प्रक्रिया (finite-sample valid procedure) प्रस्तावित करता है जो अनियंत्रित भ्रमकारी कारकों (unmeasured confounding) को ध्यान में रखते हुए और सांख्यिकीय शक्ति को बढ़ाने के लिए कई मिलित नियंत्रणों (multiple matched controls) का लाभ उठाते हुए सटीक गलत खोज दर (false discovery rate) नियंत्रण के साथ व्याख्या योग्य उपसमूहों की पहचान करता है।
यह शोध पत्र GenusSink को प्रस्तुत करता है, जो अनुमानित सामान्यीकृत सिंकहॉर्न (Sinkhorn) एल्गोरिदम का एक नवीन वर्ग है, जो बाउंडेड जेनस ग्राफ्स पर ऑप्टिमल ट्रांसपोर्ट के लिए सेपरेटर-आधारित अपघटन, कम्प्यूटेशनल ज्योमेट्री और फास्ट मैट्रिक्स-वेक्टर गुणन तकनीकों का लाभ उठाकर लगभग रैखिक समय और मेमोरी जटिलता प्राप्त करता है, ताकि ब्रूट-फोर्स विधियों की द्विघातीय बाधाओं को दूर किया जा सके।
यह शोध पत्र प्रॉक्सी वेरिएबल्स (proxy variables) का उपयोग करके छिपे हुए परिणामों (hidden outcomes) के कारण प्रभावों (causal effects) के लिए पूर्ण डेटा कानून की पहचान स्थापित करता है और उन पहले इन्फ्लुएंस फंक्शन-आधारित अनुमानकों (influence function-based estimators) का प्रस्ताव करता है जो बिना किसी निष्पक्ष प्रॉक्सी माप या आंशिक अवलोकन की आवश्यकता के बहु-सुदृढ़ता (multiple robustness) और दक्षता प्राप्त करते हैं।
यह शोध पत्र एक नवीन गैर-प्राचलिक (non-parametric) सांख्यिकीय ढांचे को प्रस्तुत करता है जो एक एकदिष्टता (monotonicity) धारणा के तहत पिछले विकल्पों से उपयोगकर्ता की प्राथमिकताओं का अनुमान लगाता है, जिसमें अधिकतम संभावना अनुमान (maximum likelihood estimation) का उपयोग किया गया है और सिमुलेशन एवं वास्तविक दुनिया के डेटा दोनों द्वारा मान्य सैद्धांतिक गारंटी प्रदान की गई है।