2447 पेपर
यह शोध पत्र MLCBART प्रस्तुत करता है, जो एक बायेसियन एडिटिव रिग्रेशन ट्री फ्रेमवर्क है जो मल्टीलेबल वर्गीकरण को यह मानते हुए मॉडल करता है कि लेबल एक मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन के थ्रेशोल्डिंग से उत्पन्न होते हैं, जिससे जटिल प्रेडिक्टर-लेबल संबंधों और इंटर-लेबल सहसंबंधों को पकड़कर भविष्य कहने की सटीकता में सुधार होता है और अनिश्चितता का परिमाणीकरण प्रदान किया जाता है।
यह शोध पत्र एक उन्नत KernelSHAP एल्गोरिदम का प्रस्ताव करता है जो बिना प्रतिस्थापन के नमूनाकरण (sampling without replacement) के लिए Wallenius के नॉनसेंट्रल हाइपरज्यामितीय वितरण (noncentral hypergeometric distribution) का उपयोग करता है और विचरण अनुमान (variance estimation) के लिए सिमेट्रिक बूटस्ट्रैप (Symmetric bootstrap) को पेश करता है, जो सिमुलेशन अध्ययनों में मौजूदा अत्याधुनिक तरीकों के तुलनीय या बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र एक एकीकृत सामान्यीकृत ऑड्स रिग्रेशन फ्रेमवर्क प्रस्तावित करता है जो त्वरणमिति (एक्सेलेरोमेट्री) डेटा का उपयोग करके मल्टीपल स्केलेरोसिस में विकलांगता के पूर्वानुमान में सुधार के लिए प्रायिकता अनुपातों के माध्यम से विषय-विशिष्ट वितरणों को मॉडल करता है, जो पारंपरिक स्केलर और उत्तरजीविता-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र LARGE को प्रस्तुत करता है, जो एक स्थानीय रूप से अनुकूलन योग्य (locally adaptive) नियमितीकरण दृष्टिकोण है जो ग्राफिकल लासो फ्रेमवर्क के भीतर नोड-वार ट्यूनिंग मापदंडों को सीखकर गॉसियन ग्राफिकल मॉडल अनुमान में सुधार करता है, जिससे वैश्विक नियमितीकरण की सीमाओं को दूर किया जाता है और सिमुलेशन एवं वास्तविक fMRI डेटा विश्लेषण दोनों में बेहतर सटीकता और स्थिरता प्रदर्शित की जाती है।