2447 पेपर
यह शोध पत्र एक नया मेट्रोपोलिस-हेस्टिंग्स एल्गोरिदम प्रस्तावित करता है जो बड़े डेटासेट पर सटीक, कुशल बेयसियन अनुमान प्राप्त करने के लिए कंट्रोल वेरिएट्स और सबसैंपलिंग का लाभ उठाता है, जबकि विस्तृत संतुलन (डिटेल्ड बैलेंस) को संतुष्ट करता है और कम्प्यूटेशनल दक्षता एवं आवश्यक सबसैंपल आकार में मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक स्थिर उत्तरजीविता निष्कर्षण (सर्वाइवल एक्सट्रपलेशन) ढांचे का प्रस्ताव करता है जो बाहरी रजिस्ट्री डेटा को एक एंकर के रूप में उपयोग करने के लिए लचीले पैरामीट्रिक पॉलीहजर्ड मॉडल के साथ बेयसियन मृत्यु दर मॉडल को एकीकृत करता है, जिससे स्तन कैंसर, मेलानोमा और कार्डियक अतालता (कार्डियक एरिदमिया) जैसी जटिल नैदानिक स्थितियों में औसत उत्तरजीविता अनुमानों की मजबूती और व्याख्यात्मकता में सुधार होता है।
यह शोधपत्र StablePCA प्रस्तुत करता है, जो बहु-स्रोत डेटा से साझा निम्न-आयामी निरूपण (low-dimensional representations) निकालने के लिए एक वितरण रूप से सुदृढ़ (distributionally robust) ढांचा है जो सबसे खराब स्थिति वाले स्पष्ट किए गए विचरण (worst-case explained variance) को अधिकतम करता है, और इसकी अंतर्निहित गैर-उत्तलता (nonconvexity) को एक उत्तल विश्रांति (convex relaxation) के माध्यम से संबोधित करता है जिसे वैश्विक अभिसरण गारंटी (global convergence guarantees) और समाधान की कसावट के लिए एक डेटा-निर्भर प्रमाण पत्र (data-dependent certificate) के साथ एक कुशल मिरर-प्रॉक्स एल्गोरिदम द्वारा हल किया जाता है।
रोबोटिक स्वार्म मॉनिटरिंग से प्रेरित होकर, यह शोध पत्र उच्च-आयामी स्ट्रीमिंग डेटा में लो-रैंक परिवर्तनों का पता लगाने के लिए मल्टी-रैंक सबस्पेस-CUSUM (MRS-C) प्रक्रिया प्रस्तावित करता है, जो इसकी प्रथम-क्रम की स्पर्शोन्मुख इष्टतमता (first-order asymptotic optimality) को सिद्ध करता है और सैद्धांतिक विश्लेषण एवं वास्तविक अनुप्रयोगों के माध्यम से इसकी प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र यह तर्क देता है कि जबकि नेटवर्क सेटिंग्स में कई सामान्य कारण संबंधी अनुमानक (causal estimands), सजातीय जोखिम धारणाओं और विषम वास्तविकताओं के बीच बेमेल होने के कारण, इकाई-स्तरीय प्रभावों के व्याख्या योग्य सारांश प्रदान करने और इष्टतम नीति चयन का समर्थन करने, दोनों को एक साथ करने में विफल रहते हैं, अपेक्षित औसत परिणाम (expected average outcome) एक श्रेष्ठ अनुमानक के रूप में कार्य करता है जो इन दोनों मानदंडों को पूरा करता है।
यह शोध पत्र एक सिद्धांत-आधारित बेयसियन रिस्पॉन्स-एडेप्टिव रैंडमाइजेशन पद्धति प्रस्तावित करता है जो समान उपचार प्रभावकारिता की एक शून्य परिकल्पना पेश करके थॉम्पसन सैंपलिंग की उच्च परिवर्तनशीलता को स्थिर करता है, जिससे बेहतर उपचारों के लिए रोगी आवंटन को सांख्यिकीय विश्वसनीयता और अनुमानात्मक वैधता के साथ संतुलित किया जा सके।
यह शोध पत्र BLAST को प्रस्तुत करता है, जो उच्च-आयामी रैखिक प्रतिगमन (high-dimensional linear regression) के लिए एक बेयसियन ट्रांसफर लर्निंग फ्रेमवर्क है, जो कई डेटा स्रोतों के बीच सूचना साझा करने और नकारात्मक स्थानांतरण (negative transfer) को कम करने के बीच प्रभावी ढंग से संतुलन बनाकर भविष्य कहनेवाला सटीकता, अनिश्चितता मात्रा निर्धारण और अनुमान में सुधार करने के लिए अनुकूली संकुचन (adaptive shrinkage) और स्रोत चयन का उपयोग करता है।
यह शोध पत्र एक नवीन स्टोकेस्टिक एप्रोक्सिमेशन एल्गोरिदम का प्रस्ताव करके बेयसियन विश्वसनीय क्षेत्रों (बेयसियन क्रेडिबल रीजन्स) को कैलिब्रेट करने के माध्यम से मानक बेयसियन अनुमान की संवेदनशीलता को संबोधित करता है, जिससे अंतर्निहित डेटा तंत्र के बावजूद बार-बार होने वाली वैधता (फ्रीक्वेंटिस्ट वैलिडिटी) सुनिश्चित होती है जब प्रायर (priors), वास्तविक पैरामीटर-जनरेटिंग प्रक्रिया से मेल नहीं खाते हैं।
यह शोधपत्र सिग्मॉइड-FTRL (Sigmoid-FTRL) प्रस्तुत करता है, जो एक अनुकूलन योग्य प्रयोगात्मक डिज़ाइन है जो वैध स्पर्शोन्मुखी अनुमान (asymptotic inference) प्रदान करते हुए की मिनिमैक्स ऑप्टिमल नेमन रिग्रेट दर (minimax optimal Neyman Regret rate) प्राप्त करने के लिए AIPW एस्टिमेटर्स की गैर-उत्तल (non-convexity) चुनौतियों पर विजय प्राप्त करता है।
यह शोध पत्र एक स्केलेबल कोऑर्डिनेट-रीस्केलिंग सैंपलिंग पद्धति प्रस्तावित करता है जो डिस्क्रीट मार्कोव रैंडम फील्ड्स के लिए सटीक और कुशल बेयसियन इन्फरेंस सक्षम करने हेतु सूडो-लाइक्लीहुड-आधारित पोस्टीरियर्स को रूपांतरित करती है, जो प्रभावी रूप से सटीक लाइक्लीहुड मूल्यांकन की कम्प्यूटेशनल अव्यवहार्यता और मौजूदा सन्निकटन (अप्रोक्सिमेशन) के खराब अनिश्चितता परिमाणीकरण पर विजय प्राप्त करती है।