2412 पेपर
यह शोध पत्र एक नवीन, स्केलेबल सिमुलेशन-आधारित अनुमान पद्धति प्रस्तावित करता है जो लॉग-लाइक्लीहुड गुणों का लाभ उठाने के लिए एक लोकलाइजेशन स्कीम और एक स्ट्रक्चर्ड स्कोर नेटवर्क को नियोजित करके स्कोर मैचिंग को लैंगविन डायनेमिक्स के साथ एकीकृत करती है, जिससे बड़े-नमूना, मध्यम-आयामी समस्याओं के लिए बेहतर सांख्यिकीय दक्षता और कम्प्यूटेशनल स्केलेबिलिटी प्राप्त होती है।
यह शोध पत्र स्टाइन की मोमेंट्स विधि (Stein's method of moments) से व्युत्पन्न एक सामान्यीकृत स्कोर मैचिंग एस्टीमेटर प्रस्तावित करता है, जो वेट फंक्शन (weight function) को एक ऐसे डेटा ट्रांसफॉर्म से जोड़ता है जो नमूने को इष्टतम रूप से सामान्य (normalize) करता है, जिससे पैरामीटर अनुमान में वेट फंक्शन चयन को संभालने के लिए एक सिद्धांत-आधारित विकल्प प्राप्त होता है।
यह शोध पत्र कॉर्निश-फिशर विस्तार (Cornish-Fisher expansion) का लाभ उठाकर अधिकतम संभावना अनुमानकों (maximum likelihood estimators) के सुचारू अदिश रूपांतरणों (smooth scalar transformations) में माध्यिका पूर्वाग्रह (median bias) को कम करने के लिए एक स्पष्ट, गणनात्मक रूप से कुशल निर्estimator प्रस्तुत करता है, जिससे जटिल अंतर्निहित समाधानों या पूर्ण उपद्रवी पैरामीटर विनिर्देशों (nuisance parameter specifications) की आवश्यकता के बिना, परिमित-नमूना अनुमान (finite-sample inference) और विश्वास अंतराल कवरेज (confidence interval coverage) में सुधार होता है।
यह शोध पत्र अडैप्टिव इटरेटिव हार्ड थ्रेशोल्डिंग (AIHT) का प्रस्ताव करता है, जो उच्च-आयामी क्वांटाइल रिग्रेशन के लिए एक ऑनलाइन फ्रेमवर्क है जो सपोर्ट डिस्कवरी और लोकल रिफाइनमेंट को संतुलित करने के लिए हार्ड-थ्रेशोल्डिंग को गतिशील रूप से शेड्यूल करता है, जिससे नॉनस्मूथ लॉस और हैवी-टेल्ड नॉइज़ स्थितियों के तहत लॉगरिदमिक रिग्रेट प्राप्त होता है।
यह शोध पत्र VirtueMap प्रस्तुत करता है, जो अरस्तू के सद्गुण नैतिकता (Aristotelian virtue ethics) के माध्यम से लार्ज लैंग्वेज मॉडल्स (LLMs) के नैतिक निर्णय लेने के पैटर्न का मूल्यांकन करने वाला एक ढांचा है, जो विवेक, न्याय और साहस जैसे सद्गुणों के तुलनात्मक प्रोफाइल उत्पन्न करने के लिए मानव-सत्यापित ग्राउंड ट्रुथ्स के विरुद्ध दुविधाओं के उत्तरों को रैंक करता है।
यह शोध पत्र इनवर्स प्रोबेबिलिटी वेटिंग (IPW) को एक पोस्ट-बायेसियन ढांचे के भीतर पूर्वाग्रह को सुधारने के लिए कुलबैक-लीब्लर डाइवर्जेंस को पुन: भारित करने वाले एक तंत्र के रूप में पुनर्व्याख्या करता है, जो सैद्धांतिक अभिसरण गारंटी प्रदान करता है और सिम्युलेटेड एवं वास्तविक दुनिया के प्रोस्टेट कैंसर डेटा दोनों में चयन पूर्वाग्रह और व्यवस्थित त्रुटियों को संबोधित करने में इसकी प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र एक्टिव-सेट रे-बेस्ड कंपोजिशनल (ARC) फ्रेमवर्क प्रस्तुत करता है, जो उच्च-आयामी विरल कंपोजिशनल डेटा के लिए एक गणनात्मक रूप से कुशल मॉडल है, जो रचनाओं को यूनिट हाइपरस्फीयर पर मैप करके और धनात्मक किरणों के साथ एक लेटेंट गॉसियन डेंसिटी के माध्यम से सक्रिय-सेट प्रक्रिया को धनात्मक उप-रचना से अलग करके सटीक शून्य, लेटेंट निर्भरता और सिम्प्लेक्स ज्यामिति की चुनौतियों का समाधान करता है।
यह शोध पत्र यह प्रदर्शित करता है कि अवलोकनात्मक अध्ययनों (observational studies) में अंतर्निहित कन्फाउंडिंग चरों (latent confounding variables) के लिए समायोजन करने वाले पारंपरिक दृष्टिकोण मापन त्रुटि (measurement error) के कारण पक्षपाती कारण अनुमान (biased causal estimates) उत्पन्न करते हैं, जिसे "मापन-प्रेरित कन्फाउंडिंग" (measurement induced confounding) कहा जाता है, जिसे एक बेयसियन जॉइंट एस्टीमेशन (Bayesian Joint Estimation) दृष्टिकोण के माध्यम से हल किया जा सकता है जो मापन, उपचार असाइनमेंट और प्रतिक्रिया को एक साथ मॉडल करता है।
यह शोध पत्र यह प्रदर्शित करता है कि समय-परिवर्तनीय उपचार प्रभावों (time-varying treatment effects) के लिए रिकर्सिव प्लग-इन, बैलेंसिंग वेट, और डबली रोबस्ट एस्टिमेटर्स, जब साधारण लीस्ट स्क्वायर्स (ordinary least squares) के माध्यम से फिट किए जाते हैं, तो संख्यात्मक रूप से समान होते हैं, और यह रिज पेनलाइजेशन (ridge penalization) के तहत इन एस्टिमेटर्स के व्यवहार को स्पष्ट करता है, यह दिखाते हुए कि ओएलएस (OLS) की ओर पूर्वाग्रह सुधार (bias correction) समय अवधियों की संख्या के साथ ज्यामितीय रूप से घटता है।
यह शोध पत्र POTTERS को प्रस्तुत करता है, जो एक स्केलेबल बेयसियन स्थानिक मिश्रण मॉडल (Bayesian spatial mixture model) है जो लक्ष्य-क्षेत्र के लेबल वाले डेटा की आवश्यकता के बिना, रिमोट सेंसिंग छवियों में सुदृढ़, अनिश्चितता-जागरूक भूमि आवरण वर्गीकरण करने के लिए बाहरी लेबल वाले डेटा से सूचनात्मक प्रायर (informative priors) और वेरिएशनल इन्फरेंस (variational inference) का लाभ उठाता है।