2444 पेपर
यह शोध पत्र स्टोकेस्टिक नेटवर्क मॉडल में गुडनेस-ऑफ-फिट और टू-सैंपल टेस्टिंग के लिए एक नवीन मैक्सिमम एंट्रॉपी-आधारित ढांचे को प्रस्तुत करता है, जो घने (dense) और विरल (sparse) ग्राफ प्रतिमानों में सुसंगत सांख्यिकीय परीक्षण स्थापित करने के लिए बाधायुक्त अनुकूलन (constrained optimization) से लैग्रेंज मल्टीप्लायर्स का उपयोग करता है।
यह शोध पत्र 'सेलेक्टिव कॉन्फॉर्मल रिस्क कंट्रोल विद ई-वैल्यूज़' (SCoRE) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो किसी भी प्रशिक्षित मॉडल और उपयोगकर्ता-निर्धारित जोखिम मीट्रिक के लिए चयनात्मक भविष्यवाणी (selective prediction) हेतु परिमित-नमूना (finite-sample), वितरण-मुक्त (distribution-free) त्रुटि नियंत्रण प्रदान करने के लिए ई-वैल्यूज़ और परिकल्पना परीक्षण का लाभ उठाता है।
यह शोध पत्र सहसंबद्ध त्रुटियों (correlated errors) वाले सामान्य विविक्त चयन मॉडलों (discrete choice models) के लिए चयनात्मक संभावनाओं और उनके डेरिवेटिव्स का कुशलतापूर्वक और सटीक रूप से अनुमान लगाने हेतु इक्विवेरिएंट न्यूरल नेटवर्क (equivariant neural networks) का उपयोग करते हुए एक एमोर्टाइज्ड इन्फरेंस फ्रेमवर्क प्रस्तावित करता है, जो पारंपरिक लॉजिट मॉडलों की प्रतिबंधात्मक मान्यताओं को दूर करते हुए सांख्यिकीय निरंतरता (statistical consistency) सुनिश्चित करता है।
यह शोध पत्र इम्पॉर्टेंस-वेटेड ऑटोएनकोडर्स का उपयोग करते हुए एक नवीन, सैद्धांतिक रूप से पहचान योग्य (identifiable) डीप लेटेंट वेरिएबल फ्रेमवर्क प्रस्तावित करता है ताकि संयुक्त वितरणों को सटीक रूप से पुनर्प्राप्त किया जा सके और मिसिंग-नॉट-एट-रैंडम (MNAR) डेटा को इम्प्यूट किया जा सके, जो मौजूदा विधियों की सीमाओं को दूर करता है जो अक्सर नॉनपैरामीट्रिक पहचान योग्यता (nonparametric identifiability) की उपेक्षा करती हैं।
यह शोध पत्र एक डी-कोरिलेशन फ्रेमवर्क प्रस्तावित करता है जो निर्भर मिश्रित डेटा (dependent mixed data) से सटीक कारण खोज (causal discovery) को सक्षम करने के लिए स्ट्रक्चरल इक्वेशन मॉडलिंग को लेटेंट वेरिएबल इम्प्यूटेशन और कोवेरिएंस एस्टीमेशन के साथ एकीकृत करता है, जो मानक विधियों की तुलना में जीन नियामक नेटवर्क अनुमान (gene regulatory network inference) में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र उच्च-आयामी मैट्रिक्स अनुमान के लिए एक सुदृढ़, लचीला ढांचा प्रस्तावित करता है जो लक्ष्य मैट्रिक्स को चार पूरक घटकों में विभाजित करता है ताकि पंक्तियों और स्तंभों के लिए पार्श्व सूचना (side information) को प्रभावी ढंग से शामिल किया जा सके, जिससे मौजूदा विधियों की तुलना में विभिन्न लुप्त डेटा तंत्रों (missing data mechanisms) के तहत इम्प्यूटेशन सटीकता और उपचार-प्रभाव अनुमान में सुधार किया जा सके।
यह शोध पत्र कन्फाउंडिंग (confounding) से प्रभावित संतुलन प्रणालियों में वैध कारण अनुमान (causal inference) और लचीला सहचर समायोजन (covariate adjustment) सक्षम करने के लिए व्याख्यात्मक अग्रवर्ती ग्राफिकल मॉडल (interpretable anterior graphical models) प्रस्तुत करता है, साथ ही मौजूदा काउंटरफैक्चुअल (counterfactual) और हस्तक्षेप ग्राफ (intervention graph) ढांचों के साथ संबंध स्थापित करता है।
यह शोध पत्र लासो (Lasso) चर चयन के बाद सामान्यीकृत रैखिक मॉडलों (generalized linear models) में पोस्ट-सिलेक्शन इन्फरेंस (post-selection inference) के लिए एक एकीकृत पैरामीट्रिक प्रोग्रामिंग ढांचे का प्रस्ताव करता है, जो गैर-गॉसियन प्रतिक्रियाओं (non-Gaussian responses) के लिए एक रैखिकीकृत छद्म-मॉडल (linearized pseudo-model) के माध्यम से गॉसियन-आधारित रणनीतियों को अनुकूलित करता है ताकि प्रभावी रूप से नैव (naive) इन्फरेंस को सुधारा जा सके और दक्षता में पॉलीहेड्रल-आधारित समायोजनों (polyhedral-based adjustments) से बेहतर प्रदर्शन किया जा सके।
यह शोधपत्र एट्रिशन (attrition) वाले रैंडमाइज्ड कंट्रोल्ड ट्रायल्स में 'ऑलवेज-रिपोर्टर्स' (always-reporters) के बीच औसत उपचार प्रभाव (average treatment effect) का अनुमान लगाने के लिए एक परिमित-नमूना वैध रैंडमाइजेशन इन्फरेंस प्रक्रिया प्रस्तावित करता है, जो देखे गए डेटा के अनुरूप सभी संभावित 'ऑलवेज-रिपोर्टर' विन्यास (configurations) पर p-मानों को अधिकतम करने वाले एक वर्स्ट-केस (worst-case) दृष्टिकोण का उपयोग करता है।
यह शोध पत्र एक बेयसियन प्रोपेंसिटी स्कोर-ऑगमेंटेड लेटेंट फैक्टर मॉडल प्रस्तावित करता है जो टाइम-सीरीज क्रॉस-सेक्शनल डेटा में कारण अनुमान (कॉज़ल इन्फरेंस) में सुधार करने के लिए उपचार असाइनमेंट तंत्र और लचीले परिणाम मॉडलिंग को एकीकृत करता है, जो मॉडल फीडबैक संबंधी मुद्दों को संबोधित करता है और सिमुलेशन तथा राजनीतिक संबंधों और फर्म मूल्य पर एक अनुभवजन्य अध्ययन के माध्यम से उन्नत प्रदर्शन प्रदर्शित करता है।