2447 पेपर
यह शोधपत्र एडवर्सरियल ड्रिफ्ट-अवेयर प्रेडिक्टिव ट्रांसफर (ADAPT) को प्रस्तुत करता है, जो एक गोपनीयता-संरक्षण ढांचा है जो भविष्य के मॉडलों के अनिश्चितता सेट पर सबसे खराब प्रदर्शन के लिए अनुकूलित करके क्लिनिकल एआई सिस्टम की स्थायित्व को टेम्पोरल डेटा शिफ्ट के विरुद्ध बढ़ाता है, जिससे कोडिंग संक्रमणों और प्रणालीगत झटकों के दौरान सटीकता बनाए रखते हुए महंगी पुनर्रचना (रिट्रेनिंग) की आवश्यकता को कम किया जा सके।
यह शोध पत्र लचीले युग्मवार कंट्रास्ट-आधारित एस्टिमेंड्स (estimands) को पेश करके और कुशल, कोवेरिएट-समायोजित अनुमानकों (estimators) को विकसित करके, जो मजबूती और एसिम्प्टोटिक दक्षता सुनिश्चित करने के लिए डिबायस्ड मशीन लर्निंग को वेटेड क्लस्टर्ड यू-सांख्यिकी (weighted clustered U-statistics) के साथ एकीकृत करते हैं, बहु-परिणामों वाले क्लस्टर-रैंडमाइज्ड ट्रायल्स में सामान्यीकृत कारण प्रभावों (generalized causal effects) का अनुमान लगाने के लिए एक एकीकृत, नॉनपैरामेट्रिक ढांचे का प्रस्ताव करता है।
यह शोधपत्र बहुभिन्नरूपी (multivariate) और फलनकार (functional) समय श्रृंखलाओं में गैर-पैरामीट्रिक अनुमान के लिए रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस में डेटा को एम्बेड करने और बैंडविड्थ-निर्भर बूटस्ट्रैप विधियों पर निर्भर किए बिना पिवोटल सीमित शून्य वितरण (pivotal limiting null distributions) प्राप्त करने के लिए सैंपल स्प्लिटिंग, प्रोजेक्शन और सेल्फ-नॉर्मलाइजेशन तकनीकों का उपयोग करते हुए, रिसैंपलिंग-मुक्त कर्नेल-आधारित परीक्षणों के एक नवीन, गणनात्मक रूप से कुशल वर्ग का प्रस्ताव करता है।
यह शोध पत्र RobinCar R पैकेज परिवार को प्रस्तुत करता है, जो निरंतर (continuous), असतत (discrete), और समय-से-घटना (time-to-event) परिणामों वाले रैंडमाइज्ड क्लिनिकल ट्रायल्स में FDA-अनुशंसित कोवेरिएट एडजस्टमेंट विधियों को लागू करने के लिए उपयोगकर्ता के अनुकूल उपकरण प्रदान करके सांख्यिकीय सिद्धांत और व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटता है।
यह शोध पत्र 'मिसिंग एट रैंडम' (Missing at Random) तंत्र के तहत गाऊसी मिश्रण मॉडल (Gaussian mixture models) के लिए एक अर्ध-पर्यवेक्षित शिक्षण ढांचा (semi-supervised learning framework) प्रस्तावित करता है जो पूर्वाग्रह को कम करने और वर्गीकरण सुदृढ़ता में सुधार करने के लिए एक कुशल 'एक्सपेक्टेशन कंडिशनल मैक्सिमाइजेशन' (Expectation Conditional Maximization) एल्गोरिदम के माध्यम से मॉडल मापदंडों और एक मिसिंगनेस संभाव्यता फलन का संयुक्त रूप से अनुमान लगाता है—जिसे मार्जिन कॉन्फिडेंस और अरंडा ओर्डाज़ लिंक (Aranda Ordaz link) के माध्यम से मॉडल किया गया है।
यह शोध पत्र आंतरिक इंटरफेस वाले सीमित डोमेन और मैनिफोल्ड्स पर गाऊसी स्थानिक रैंडम फील्ड्स के लिए एक ऑपरेटर-आधारित ढांचे को प्रस्तुत करता है, जो सीमा और ट्रांसमिशन स्थितियों को स्पष्ट रूप से मॉडल करने, ऊर्जा कार्यात्मकों (energy functionals) से कोवेरिएंस संरचनाओं को व्युत्पन्न करने, और शूर कॉम्प्लीमेंट्स (Schur complements) एवं डिरिचलेट-टू-नेमन ऑपरेटरों के माध्यम से भविष्यवाणी और डोमेन न्यूनीकरण को सुगम बनाने के लिए जियोस्टैटिस्टिक्स को एलिप्टिक पी डी ई (PDE) सिद्धांत के साथ एकीकृत करता है।
यह शोध पत्र बेयसियन मॉडल तुलना में प्रायर संवेदनशीलता विश्लेषण के लिए एक गणनात्मक रूप से कुशल विधि प्रस्तुत करता है, जो नमूनाकरण (सैंपलिंग) को साक्ष्य गणना से अलग करने के लिए सीखे गए हार्मोनिक मीन अनुमानक का लाभ उठाता है, जिससे मौजूदा पोस्टीरियर नमूनों से मॉडल साक्ष्य का तीव्र पुनर्मूल्यांकन सक्षम होता है और महंगी पुन: फिटिंग की आवश्यकता नहीं होती है।
यह शोध पत्र बहुभिन्नीय चरम मान सिद्धांत (multivariate extreme value theory) पर आधारित दो गैर-प्राचलिक सिमुलेशन एल्गोरिदम विकसित करके बहुभिन्निक जोखिम प्रबंधन में डेटा की कमी की चुनौती को संबोधित करता है, ताकि स्पर्शोन्मुख रूप से आश्रित चरम मानों (asymptotically dependent extremes) के नमूनों का विस्तार किया जा सके, जिससे एकचर जोखिम मीट्रिक अनुमान की सटीकता में सुधार हो सके।
यह शोध पत्र एक नवीन दृष्टिकोण प्रस्तावित करता है जो अनऑब्जर्व्ड कन्फाउंडर्स (unobserved confounders) की उपस्थिति में प्रॉक्सी मापन का लाभ उठाकर कॉज़ल प्रभावों का अनुमान लगाने के लिए कॉज़ल ब्रिज को ऑटोएनकोडर आर्किटेक्चर के साथ जोड़ता है, जो नए सैद्धांतिक व्यवहार्यता की शर्तें और त्रुटि सीमाएं प्रस्तुत करता है, तथा सिंथेटिक और वास्तविक दुनिया के दोनों प्रकार के डेटा पर अत्याधुनिक विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह अध्ययन कोर्स-टू-फाइन स्पेशियल मॉडलिंग (CFSM) प्रस्तुत करता है, जो एक स्केलेबल और मशीन लर्निंग-संगत ढांचा है जो मैट्रिक्स इनवर्जन के बिना स्थानिक पैटर्न को कुशलतापूर्वक कैप्चर करने के लिए स्थानीय मॉडलों के मल्टीस्केल एन्सेम्बल का उपयोग करता है, जो सिमुलेशन और टोक्यो के आवासीय भूमि मूल्यों के वास्तविक अनुप्रयोग दोनों में बेहतर भविष्य कहनेवाला प्रदर्शन प्रदर्शित करता है।