2412 पेपर
यह शोध पत्र निर्देशित अचक्रीय ग्राफ़ (DAGs) के लिए एक अनुकूली बेयसियन संरचना शिक्षण विधि प्रस्तावित करता है जो पारंपरिक संयुग्मी पूर्वों (conjugate priors) की तुलना में तेज़ MCMC गणना और कारण खोज (causal discovery) में बेहतर सटीकता प्राप्त करने के लिए एक गैर-संयुग्मी पूर्व और बेसेल फलनों का उपयोग करता है।
यह शोधपत्र विशिष्ट घातीय परिवार (exponential family) वितरणों के मापदंडों के लिए क्लोज्ड-फॉर्म अनुमानक और उनके बूटस्ट्रैप बायस-रिड्यूस्ड संस्करणों को व्युत्पन्न करता है, जिसमें मोंटे कार्लो सिमुलेशन बायस-रिड्यूस्ड अनुमानकों के अनुकूल प्रदर्शन को प्रदर्शित करते हैं।
यह शोध पत्र DEFUSE का प्रस्ताव करता है, जो एक नवीन डेटा-अनुकूल अनुमान ढांचा (data-adaptive estimation framework) है जो कई डेटा स्रोतों को अनुकूल रूप से एकीकृत करके, संरेखण सुनिश्चित करने के लिए एक स्क्रीनिंग पद्धति का उपयोग करके, और पूर्वाग्रह उत्पन्न किए बिना अनुमान भिन्नता (estimation variance) को कम करने के लिए अनलेबल डेटा का लाभ उठाकर, ब्लॉकवाइज लुप्त सहचरों (blockwise missing covariates) और वितरण संबंधी बदलावों (distributional shifts) के तहत अर्ध-पर्यवेक्षित शिक्षण (semi-supervised learning) की संयुक्त चुनौतियों को प्रभावी ढंग से संभालता है।
यह शोध पत्र 'मल्टी-ऑब्जेक्टिव बायेसियन ऑप्टिमाइज़ेशन फॉर लाइकलीहुड-फ्री इन्फरेंस' (MOBOLFI) का प्रस्ताव करता है, जो एक नवीन विधि है जो निर्णय लेने के लिए अनुक्रमिक नमूनाकरण मॉडलों में लाइकलीहुड्स को कुशलतापूर्वक अनुमानित करने, विरोधाभासी सूचनाओं का पता लगाने और पैरामीटर अनुमान में सुधार करने के लिए मल्टी-सोर्स डेटा और मल्टी-ऑब्जेक्टिव बायेसियन ऑप्टिमाइज़ेशन का उपयोग करती है।
यह शोधपत्र कंडीशनल गौसियन नॉनलीनर सिस्टम्स के कंडीशनल स्टैटिस्टिक्स और ऑप्टिमल पोस्टीरियर सैंपलिंग के लिए क्लोज्ड एनालिटिक फॉर्मुला प्राप्त करने हेतु एक मार्टिंगेल-फ्री, टाइम-डिसक्रेटाइजेशन दृष्टिकोण प्रस्तुत करता है, जिससे उच्च-आयामी, नॉनलीनियर स्टोकेस्टिक मॉडल्स में एक्सट्रीम इवेंट्स और अनिश्चितता की समझ और विश्लेषण को बढ़ावा मिलता है।
यह शोध पत्र एक अनुकूली ऑनलाइन स्मूदर (adaptive online smoother) प्रस्तुत करता है जो कंडीशनल गॉसियन नॉनलीन सिस्टम्स (conditional Gaussian nonlinear systems) के लिए सूचना-सैद्धांतिक मानदंड (information-theoretic criterion) का उपयोग करके गतिशील रूप से एक क्लोज्ड-फॉर्म लैग (closed-form lag) का चयन करता है, जिससे कम्प्यूटेशनल स्टोरेज में महत्वपूर्ण कमी आती है और कॉज़ल डिटेक्शन (causal detection), उच्च-आयामी डेटा एसिमिलेशन (high-dimensional data assimilation) और पैरामीटर अनुमान (parameter estimation) जैसे कुशल वास्तविक समय अनुप्रयोगों को सक्षम बनाया जाता है।
यह शोध पत्र उपचार प्रभाव विषमता (treatment effect heterogeneity) को व्याख्यात्मक सारांशों में एकत्रित करने के लिए एक ढांचे का परिचय देता है, जो स्पष्ट रूप से उन संदर्भों की पहचान करता है जहाँ अनुमान (extrapolation) अविश्वसनीय है, जिससे शोधकर्ताओं को यह सीखने में सक्षम बनाया जा सके कि वे क्या जानते हैं और कहाँ आगे के साक्ष्य की आवश्यकता है, जिसका अनुप्रयोग एक बहु-देशीय गरीबी-विरोधी कार्यक्रम विश्लेषण में प्रदर्शित किया गया है।
यह शोध पत्र एक पुनर्कल्पित "नो-प्रायर बेयस" (No-prior Bayes) ढांचे का प्रस्ताव करता है जो डेटा-संचालित अनुमानात्मक मॉडलों से आंतरिक संभाव्यता सन्निकटन व्युत्पन्न करके पश्च वितरण (posterior distributions) का निर्माण करता है, जिससे डिफ़ॉल्ट प्रायर पर निर्भर किए बिना सटीक अनिश्चितता मात्रा निर्धारण और अनंत दक्षता प्राप्त की जा सकती है।
यह शोध पत्र यह प्रदर्शित करता है कि स्थिर संभावित परिणामों (fixed potential outcomes) से उपयुक्त रूप से विरल स्थानीय निर्भरता (sparsely local dependence) वाले स्टोकेस्टिक तंत्रों की ओर स्थानांतरित होकर, समग्र डिज़ाइन-आधारित अनुमानक (aggregate design-based estimators) एक एकल यादृच्छिक प्रयोग से तंत्र-स्तरीय कारण प्रभावों और उनके प्रसरणों को निरंतर रूप से पुनः प्राप्त कर सकते हैं, जिससे शास्त्रीय परिमित-जनसंख्या अनुमान (classical finite-population inference) की सीमाओं पर विजय प्राप्त होती है।
यह शोध पत्र विविक्त रूप से प्रेक्षित हॉक्स प्रक्रियाओं (Hawkes processes) के मापदंडों का अनुमान लगाने के लिए सिम्युलेटेड डेटा पर प्रशिक्षित पूर्णतः जुड़े हुए न्यूरल नेटवर्क का उपयोग करते हुए एक गणनात्मक रूप से कुशल, संभावना-मुक्त (likelihood-free) विधि प्रस्तावित करता है, जो मौजूदा सन्निकट संभावना अनुमानकों (approximate likelihood estimators) के समान सटीकता प्राप्त करते हुए गणना के समय को काफी कम करता है और तेज़ अनिश्चितता मात्रा निर्धारण (uncertainty quantification) को सक्षम बनाता है।