2390 पेपर
यह शोध पत्र जोखिम भविष्यवाणी मॉडल विकास में नमूना आकार (सैंपल साइज) गणना के लिए एक नए ढांचे का प्रस्ताव करता है जो अपेक्षित प्रदर्शन मेट्रिक्स को लक्षित करने से आगे बढ़कर प्रदर्शन परिवर्तनशीलता को स्पष्ट रूप से ध्यान में रखता है, जिससे स्वीकार्य मॉडल अंशांकन (कैलिब्रेशन) और मजबूती प्राप्त करने की उच्च संभावना सुनिश्चित होती है।
यह शोध पत्र लोकल इंटरैक्शन ऑटोरेग्रेसिव (LIAR) फ्रेमवर्क का प्रस्ताव करता है, जो उच्च-आयामी मैट्रिक्स और टेंसर टाइम सीरीज़ में स्थानीय निर्भरता संरचनाओं का लाभ उठाकर मौजूदा बेसलाइन की तुलना में स्केलेबल पैरामीटर अनुमान, सुसंगत पड़ोस चयन और बेहतर पूर्वानुमान सटीकता प्राप्त करता है।
यह शोध पत्र PnPMass को प्रस्तुत करता है, जो वीक-लेंसिंग मास मैपिंग के लिए एक लचीला और कुशल प्लग-एंड-प्ले फ्रेमवर्क है, जो तेज़ पुनर्निर्माण के लिए एक एकल प्रशिक्षित डीप-लर्निंग मॉडल को ग्रेडिएंट डिसेंट के साथ और कैलिब्रेटेड अनसर्टेन्टी क्वांटिफिकेशन के लिए कॉन्फॉर्मल प्रेडिक्शन के साथ जोड़ता है, जो इसे आगामी बड़े पैमाने के कॉस्मोलॉजिकल सर्वेक्षणों के लिए उपयुक्त बनाता है।
यह शोध पत्र एंकोर्ड जियोडेसिक कंपोनेंट एनालिसिस (AGCA) को प्रस्तुत करता है, जो मल्टीवेरिएट एक्सट्रीम्स के लिए एक आयामी-न्यूनीकरण विधि है जो एक संदर्भ दिशा से जुड़े ग्रेट सबस्फीयर्स का उपयोग करके धनात्मक यूनिट स्फीयर पर कोणीय भिन्नता का अनुमान लगाता है, जिससे सटीक आइगन-एनालिसिस-आधारित अनुमान, स्पष्ट त्रुटि सीमाओं के साथ सुसंगत टेल सिमुलेशन, और इक्विटी-पोर्टफोलियो जोखिम मॉडलिंग में प्रभावी अनुप्रयोग सक्षम होता है।
यह शोध पत्र एक गणनात्मक रूप से कुशल, दो-चरणीय सिमुलेशन-आधारित अनुमान पद्धति प्रस्तावित करता है जो सिंथेटिक और गोरिल्ला डेटासेट दोनों पर प्रदर्शित किए गए अनुसार, द्वि-आयामी इमेज इनपुट का उपयोग करके इनहोमोजेनियस बाइवेरिएट लॉग-गॉसियन कॉक्स प्रक्रियाओं के लिए मापदंडों का सटीक अनुमान लगाने हेतु शास्त्रीय पॉइसन अनुमान को न्यूरल नेटवर्क के साथ जोड़ता है।
यह शोध पत्र विशिष्ट वितरण संबंधी धारणाओं पर निर्भर किए बिना, एकवचनी समूहीकृत डेटा के घनत्व का अनुमान लगाने के लिए एक बैंडविड्थ-मुक्त, माध्य-समायोजित लॉग-कॉन्केव (MALC) गैर-पैरामीट्रिक विधि प्रस्तुत करता है, जो विभिन्न परिदृश्यों में सिमुलेशन के माध्यम से अपनी मजबूती और प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र दो नवीन मार्कोव चेन मोंटे कार्लो विधियों का प्रस्ताव करता है जो संरचनात्मक गैर-पहचान क्षमता (structural non-identifiability) द्वारा अभिलक्षित साधारण अवकल समीकरण मॉडलों में मापदंडों का अनुमान लगाते समय नमूनाकरण दक्षता और अभिसरण में सुधार करने के लिए संरचनात्मक पहचान क्षमता विश्लेषण का लाभ उठाते हैं।
यह शोध पत्र रिग्रेशन डिस्कंटीन्यूटी डिजाइन्स (Regression Discontinuity Designs) के लिए एक नवीन हेरफेर परीक्षण ढांचे (manipulation testing framework) को प्रस्तुत करता है जो दिशात्मक घनत्व घटकों (directional density components) का विश्लेषण करके रनिंग वेरिएबल्स में संरचनात्मक असंतुलन का पता लगाने के लिए बेनफोर्ड के नियम (Benford's Law) का लाभ उठाता है, जो पारंपरिक मैक्रारी-प्रकार के परीक्षणों (McCrary-type tests) के मुकाबले एक पैरामीटर-मुक्त और अधिक संवेदनशील विकल्प प्रदान करता है।
यह शोध पत्र अनुकूल रूप से-संरचित मिश्रित मॉडलों (adaptively-structured mixed models) का प्रस्ताव करता है जो डिज़ाइन फलनों को पूर्व-निर्धारित करने के बजाय सीधे डेटा से अनुमानित करते हैं, जिससे वे शास्त्रीय मिश्रित-प्रभाव मॉडलों (classical mixed-effects models) के सूचना-साझाकरण लाभों को बनाए रखते हुए सरल क्लस्टर्ड डेटा के लिए उत्कृष्ट अनुमान सटीकता और गणनात्मक दक्षता प्राप्त करते हैं।
यह शोध पत्र KAMP को प्रस्तुत करता है, जो एक सुदृढ़ और गणनात्मक रूप से कुशल विधि है जो स्थानिक प्रोटिओमिक्स डेटा में प्रतिरक्षा कोशिका क्लस्टरिंग और कोलोकलाइजेशन को सटीक रूप से मापने के लिए रिप्ले के K-सांख्यिकी (Ripley's K-statistic) में स्थानिक विषमता (spatial inhomogeneity) को ठीक करती है, जिससे पक्षपाती डाउनस्ट्रीम उत्तरजीविता विश्लेषणों को रोका जा सके।