2434 पेपर
यह शोध पत्र प्रदर्शित करता है कि मानक सबसैंपल-आधारित अनुमान (subsample-based estimation) डायनेमिक टाइम सीरीज़ मॉडल्स में विफल हो जाते हैं क्योंकि संदूषण (contamination) अनुमान मानदंड को विकृत करने के लिए अवशेष फिल्टरों (residual filters) के माध्यम से फैलता है, और यह एक नवीन पैच रिमूवल ऑपरेटर प्रस्तावित करता है जो निरंतरता (consistency) को बहाल करने के लिए इस अवशेष पदचिह्न (residual footprint) को समाप्त कर देता है।
यह शोध पत्र एक फेडरेटेड रूलफ़िट (Federated RuleFit) ढांचे का प्रस्ताव करता है जो रोगी की गोपनीयता से समझौता किए बिना चिकित्सा डेटा के लिए एक व्याख्यात्मक, उच्च-प्रदर्शन वैश्विक मॉडल बनाने हेतु डिफरेंशियल प्राइवेट प्रीप्रोसेसिंग, स्थानीय ग्रेडिएंट बूस्टिंग और फेडरेटेड डुअल एवरेजिंग को संयोजित करता है।
यह शोध पत्र DQPOPE को प्रस्तुत करता है, जो एक नवीन ऑफ-पॉलिसी इवैल्यूएशन एल्गोरिदम है जो पारंपरिक एक्सपेक्टेशन-आधारित विधियों की तुलना में कठोर सैद्धांतिक गारंटियों और उत्कृष्ट अनुभवजन्य सटीकता के साथ संपूर्ण रिटर्न डिस्ट्रीब्यूशन का अनुमान लगाने के लिए डीप क्वांटाइल प्रोसेस रिग्रेशन का लाभ उठाता है।
यह शोध पत्र कार्यात्मक डेटा (functional data) के लिए एक नवीन, अनुकूलन योग्य अनुमानक (adaptive estimator) प्रस्तावित करता है जो पारंपरिक सुगमता धारणाओं (smoothness assumptions) के एक मिथ्याकरणीय विकल्प के रूप में सहप्रसरण कर्नेल (covariance kernel) पर मार्कोवियन संरचना लागू करता है, जो बेहतर पूर्वानुमान प्रदर्शन प्रदर्शित करता है और मार्कोव गुण की वैधता के लिए एक गणनात्मक रूप से कुशल परीक्षण प्रदान करता है।
यह शोध पत्र "एम्बैरेसिंगली कॉज़ल" (embarrassingly causal) परिदृश्यों की अवधारणा प्रस्तुत करता है, जिसमें मैजिक: द गैदरिंग ड्राफ्ट डेटा का उपयोग यह तर्क देने के लिए किया गया है कि जब एक्सपोज़र-आउटकम संबंध पर्याप्त रूप से निर्विवाद होता है, तो महत्वपूर्ण कन्फाउंडिंग और सिलेक्शन बायस के बावजूद अवलोकन संबंधी डेटा वैध रूप से कारण अनुमान (causal inference) का समर्थन कर सकता है।
यह शोधपत्र एक बायस-अवेयर (bias-aware) सिमुलेशन-आधारित अनुमान फ्रेमवर्क प्रस्तुत करता है जो चयन तंत्र (selection mechanisms) को सीधे न्यूरल पोस्टीरियर एस्टीमेशन में समाहित करता है ताकि चयन पूर्वाग्रह (selection bias) को ठीक करने और कैलिब्रेटेड अनिश्चितता परिमाणीकरण (calibrated uncertainty quantification) प्रदान करने के लिए सुलभ-लाइक्लीहुड-मुक्त (tractable-likelihood-free), एमोर्टाइज्ड (amortized) बेयसियन अनुमान सक्षम किया जा सके।
यह शोध पत्र अवलोकनात्मक डेटा (observational data) के साथ मार्जिनल इंटरवेंशनल डेटा (marginal interventional data) का लाभ उठाने के लिए कॉज़ल मैक्सिमम एंट्रॉपी विधि का विस्तार करता है, जो संयुक्त इंटरवेंशनल वितरणों के अनुमान और प्रभावी कॉज़ल फीचर चयन को सक्षम बनाता है जो मौजूदा मर्जिंग तकनीकों से बेहतर प्रदर्शन करता है और पूर्ण संयुक्त अवलोकनों (full joint observations) की आवश्यकता वाली विधियों के प्रदर्शन के बराबर है।
यह शोध पत्र एक नवीन सांख्यिकीय डेटा-संवर्धन ढांचे का प्रस्ताव करता है जो कंजॉइंट विश्लेषण में अनुमान त्रुटि और लागत को कम करने के लिए एलएलएम (LLM) द्वारा जनरेट किए गए डेटा को वास्तविक मानव प्रतिक्रियाओं के साथ प्रभावी ढंग से एकीकृत करता है, यह प्रदर्शित करते हुए कि हालांकि एलएलएम अपने अंतर्निहित पूर्वाग्रहों के कारण मानव डेटा का सीधे प्रतिस्थापन नहीं कर सकते हैं, वे एक सुदृढ़ सांख्यिकीय दृष्टिकोण के भीतर उपयोग किए जाने पर एक मूल्यवान पूरक के रूप में कार्य करते हैं।
यह शोध पत्र एक पूल-स्मूथिंग रणनीति का उपयोग करके विविक्त रूप से प्रेक्षित कार्यात्मक डेटा (discretely observed functional data) के लिए एक सुसंगत गैर-पैरामीट्रिक FPC-आधारित सहप्रसरण परीक्षण प्रस्तुत करता है, जो बढ़ते हुए ट्रंकेशन स्तरों के तहत इसकी स्पर्शोन्मुख वैधता (asymptotic validity) स्थापित करता है और एक चरण संक्रमण (phase transition) को प्रदर्शित करता है जहाँ परीक्षण उसी तरह प्रदर्शन करता है जैसे कि डेटा पूर्ण रूप से प्रेक्षित हो, यदि नमूना आवृत्ति नमूना आकार के सापेक्ष एक विशिष्ट परिमाण तक पहुँच जाए।
यह शोध पत्र मौजूदा विधियों की परिमाण-संवेदनशीलता सीमाओं को दूर करने के लिए एरिया-बेस्ड एपिग्राफ और हाइपोग्राफ इंडिसेस (ABEI और ABHI) को प्रस्तुत करता है, जो कार्यात्मक डेटा में परिमाण और आकार दोनों प्रकार के आउटलेर्स का प्रभावी ढंग से पता लगाने के लिए अवकलज विश्लेषण (derivative analysis) के साथ इन मेट्रिक्स को एकीकृत करने वाली सुदृढ़ EHyOut प्रक्रिया का प्रस्ताव करता है।