2434 पेपर
यह शोध पत्र सामान्यीकृत हाइपरज्यामेट्रिक फलनों (generalized hypergeometric functions) से जुड़े अपूर्ण गामा और बीटा समाकलों की जांच करता है और इन परिणामों को समूहों के बीच माध्य अंतरों की तुलना करने के लिए उपयोग किए जाने वाले एक अनुपात के सबसे बड़े और सबसे छोटे मूलों (roots) के वितरण को व्युत्पन्न करने के लिए लागू करता है।
यह शोध पत्र एक बेयसियन लेटेंट स्टेट मॉडल (Bayesian latent state model) प्रस्तावित करता है जो LLM वर्गीकरणों को एक वास्तविक लेटेंट स्टेट के शोर वाले मापन (noisy measurements) के रूप में मानता है ताकि अनिश्चितता को कठोरता से मापा जा सके, जनसंख्या-स्तरीय मेट्रिक्स को पुनः प्राप्त किया जा सके और कारण प्रभावों (causal impacts) का अनुमान लगाया जा सके, जिससे सुपरवाइज्ड और अनसुपरवाइज्ड दोनों सेटिंग्स में नैव सिंगल-राउंड या मेजॉरिटी-वोटिंग दृष्टिकोणों की सीमाओं को दूर किया जा सके।
यह शोध पत्र तर्क देता है कि जब रोगजनक स्ट्रेन-विशिष्ट प्रभाव भिन्न होते हैं और स्ट्रेन डेटा उपलब्ध नहीं होता है, तो महामारी विज्ञान के अध्ययनों की कारण संबंधी व्याख्या और उनके निष्कर्षों की अंतरणीयता (ट्रांसपोर्टेबिलिटी) संक्रमणकारी स्ट्रेन की जनसंख्या आवृत्तियों पर महत्वपूर्ण रूप से निर्भर करती है, जिससे रोगजनक उपप्रकार की जानकारी एकत्र करने के महत्व पर बल मिलता है।
यह शोध पत्र बेयसियन चर चयन (Bayesian variable selection) में गैर-लॉग-कॉन्केव मार्जिनल लाइकलीहुड (non-log-concave marginal likelihoods) की चुनौती को संबोधित करता है, जो समस्या को उत्तल फलनों के अंतर (difference of convex functions) के रूप में पुनर्गठित करके इसे सक्षम बनाता है, जिससे एक सरल, ट्यूनिंग-मुक्त पुनरावृत्ति एल्गोरिदम प्राप्त होता है जो वैश्विक इष्टतम (global optimum) तक अभिसरण की गारंटी देता है और पारंपरिक एमसीएमसी (MCMC) विधियों के एक कुशल विकल्प के रूप में कार्य करता है।
यह शोध पत्र मल्टीमॉडल क्लिनिकल टाइम सीरीज़ से डायनेमिक पेशेंट रिप्रेजेंटेशन सीखने के लिए एक नवीन फ्रेमवर्क प्रस्तावित करता है जो एक मल्टीमॉडल एनकोडर और बेयसियन फ़िल्टरिंग के माध्यम से सूचनात्मक अनुपलब्धता (informative missingness) का स्पष्ट रूप से लाभ उठाता है, जो बड़े पैमाने के ICU डेटासेट्स पर ऑफलाइन ट्रीटमेंट पॉलिसी लर्निंग और मृत्यु दर भविष्यवाणी में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र कैलिब्रेटेड प्रेडिक्शन-पावर्ड इन्फरेंस (Calibrated Prediction-Powered Inference) को प्रस्तुत करता है, जो एक अर्ध-पर्यवेक्षित (semisupervised) माध्य अनुमान पद्धति है जो पुनरप्रशिक्षण के बिना एस्टिमेटर की दक्षता और भविष्य कहने वाली सटीकता में सुधार करने के लिए एक छोटे लेबल वाले नमूने पर ब्लैक-बॉक्स प्रेडिक्शन स्कोर को पोस्ट-हॉक कैलिब्रेट करती है, जो आइसोटोनिक कैलिब्रेशन (isotonic calibration) के लिए प्रथम-क्रम अनुकूलता गारंटी और AIPW एवं PPI++ जैसे मौजूदा दृष्टिकोणों के विरुद्ध प्रतिस्पर्धी प्रदर्शन प्रदान करती है।
यह शोध पत्र स्थानिक अभिविन्यास त्रुटियों (spatial orientation errors) के विश्लेषण के लिए मिश्रित सहचरों (mixed covariates) के साथ एक गैर-पैरामीट्रिक सर्कुलर रिग्रेशन ढांचे को प्रस्तुत करता है, जिसमें एक नवीन बूटस्ट्रैप बैंडविड्थ चयन पद्धति की विशेषता है जो सिमुलेशन में मौजूदा दृष्टिकोणों से बेहतर प्रदर्शन करती है और दृष्टिहीन, अल्प-दृष्टि वाले तथा दृष्टिमान प्रतिभागियों से संबंधित प्रयोगात्मक डेटा में स्थिति-विशिष्ट गैर-रेखीय पैटर्न को प्रकट करती है।
यह शोधपत्र बड़ी संख्या में घटकों (components) वाले मल्टीवेरिएट बरनौली मिश्रण मॉडलों (multivariate Bernoulli mixture models) का उपयोग करके, मल्टीवेरिएट बाइनरी डेटा को क्लस्टर करने के लिए एक कम्प्यूटेशनल रूप से कुशल, पूर्णतः बेयसियन ढांचे (fully Bayesian framework) का प्रस्ताव करता है, जिसमें क्लस्टरों की संख्या को सहजता से नियंत्रित करने के लिए पेनलाइज्ड कॉम्प्लेक्सिटी फ्रेमवर्क के माध्यम से प्राप्त एक एसिमेट्रिक डिरिचलेट प्रायर (asymmetric Dirichlet prior) का उपयोग किया गया है।
यह शोध पत्र बेयस फैक्टर संवेदनशीलता विश्लेषण (Bayes factor sensitivity analysis) के लिए एक गणनात्मक रूप से कुशल विधि प्रस्तावित करता है जो बेयस फैक्टर को एक एंकर मान (anchor value) और महत्व-भारित मार्जिनल घनत्व अनुमानकों (importance-weighted marginal density estimators) के माध्यम से अनुमानित पोस्टीरियर डेंसिटी अनुपात में विघटित करके एकल मॉडल फिट से संपूर्ण संवेदनशीलता वक्र (sensitivity curve) को पुनर्प्राप्त करता है, जिससे बार-बार मॉडल रिफिटिंग और लाइकलीहुड मूल्यांकन की आवश्यकता समाप्त हो जाती है।
यह शोध पत्र S3ME को प्रस्तुत करता है, जो एक दो-चरणीय ढांचा है जो पूंछ-प्रेरित विषमता (tail-induced asymmetry) का लाभ उठाकर बहुभिन्नरूपी चरम सीमाओं (multivariate extremes) में सुसंगत, उच्च-आयामी कारण खोज (causal discovery) प्राप्त करने के लिए, पहले गुप्त भ्रम (latent confounding) के तहत एक विरल कंकाल (sparse skeleton) को पुनर्प्राप्त करता है और फिर दिशात्मक पूंछ भविष्यवाणी जोखिम (directional tail prediction risk) के आधार पर किनारों को उन्मुख करता है।