97 articoli
Questo articolo propone un approccio basato su modelli per isolare e tracciare gli effetti specifici degli algoritmi di controllo intelligente sul consumo energetico degli edifici, superando le limitazioni dei metodi tradizionali nel distinguere tali effetti dai cambiamenti non correlati, come dimostrato su dati reali di dieci anni provenienti dalla piattaforma Danfoss Leanheat.
Il documento presenta TV-Select, un nuovo quadro unificato che combina penalizzazione di gruppo e regolarizzazione per selezionare simultaneamente le variabili rilevanti e determinare se i loro effetti nei modelli longitudinali sono costanti o variabili nel tempo, migliorando così l'accuratezza strutturale e le prestazioni predittive rispetto ai metodi esistenti.
Questo studio propone un sistema di supporto decisionale basato su processi neurali che, prevedendo l'evoluzione dei segni vitali dei pazienti e confrontandola con le linee guida cliniche invece di imparare dalle decisioni passate, ottimizza il passaggio dagli antibiotici endovenosi a quelli orali, migliorando significativamente l'identificazione dei pazienti idonei rispetto ai metodi casuali.
Questo articolo propone due nuove misure probabilistiche, il Tasso di Riproducibilità (RR) e il Tasso di Falsa Irriproducibilità (FIR), per quantificare e guidare la verifica delle associazioni genetiche positive negli studi di associazione genome-wide (GWAS) attraverso studi di replicazione.
Questo articolo propone un nuovo metodo di analisi congiunta basato sui dati di sintesi, denominato Jlfdr, che dimostra di essere più potente delle tradizionali tecniche di meta-analisi nel controllare il tasso di falsi scoperte locali congiunti, specialmente quando si analizzano dataset eterogenei provenienti da più studi di associazione genome-wide (GWAS).
Il paper introduce EarthquakeNPP, un nuovo benchmark che corregge le carenze dei precedenti dataset e dimostra che, nonostante i recenti progressi, i processi puntuali neurali attuali non superano ancora le prestazioni del modello ETAS classico per la previsione sismica.
Questo articolo propone un metodo di calibrazione dell'equilibrio clinico (equipoise) per colmare il divario tra significatività statistica e clinica nel disegno degli studi, dimostrando che le configurazioni standard di potenza e tasso di errore forniscono prove robuste di squilibrio dell'equilibrio quando i risultati sono coerenti tra le fasi 2 e 3, mentre la loro incoerenza richiederebbe dimensioni campionarie irrealistiche per effetti clinicamente significativi.
Questo articolo propone due nuovi algoritmi basati sui dati per determinare strategie ottimali di prezzo e gestione delle scorte in un ambiente offline caratterizzato da domanda censurata e dipendente, superando le sfide legate alla violazione della proprietà di Markov e alla mancanza di informazioni sui profitti attraverso l'approssimazione di un MDP di ordine superiore e l'analisi di sopravvivenza.
Questo articolo propone un quadro metodologico per la selezione empirica delle variabili di adattamento negli interventi adattivi, sostenendo che, sebbene i dati osservazionali secondari possano essere utilizzati, gli esperimenti randomizzati progettati specificamente per l'ottimizzazione forniscono le prove causali più dirette per definire tempi di misurazione, punti di taglio e decisioni di intervento.
Il paper propone le Singular Bayesian Neural Networks, un approccio che parametrizza i pesi come prodotti di matrici a basso rango per ridurre drasticamente il numero di parametri e migliorare la calibrazione e la rilevazione di dati fuori distribuzione, ottenendo prestazioni competitive con gli ensemble profondi ma con una complessità teorica e pratica significativamente inferiore.
Il paper propone SEED-SET, un framework di progettazione sperimentale bayesiana che combina valutazioni oggettive e giudizi soggettivi degli stakeholder per testare in modo scalabile ed efficiente l'allineamento etico dei sistemi autonomi in ambiti ad alto rischio.
Questo studio propone un nuovo metodo di clustering basato su grafi e informato dalle traiettorie temporali per la sottomissione del cancro, che integra dati clinici multi-modali e l'evoluzione longitudinale della malattia per identificare sottotipi con profili prognostici distinti e migliorare la medicina oncologica personalizzata.
Questo studio propone e valida tramite simulazioni e un'applicazione empirica su dati longitudinali due nuovi algoritmi di g-computazione per stimare gli effetti causali di azioni nel tempo in presenza di eventi semi-concorrenti e confondimento variabile nel tempo, offrendo una soluzione simultanea a sfide metodologiche chiave negli studi epidemiologici di lungo periodo.
Il paper presenta BSync, un nuovo framework bayesiano per la sincronizzazione di registri paleoclimatici che, superando i limiti dei metodi di ottimizzazione tradizionali, inferisce una funzione di mappatura temporale con quantificazione formale dell'incertezza, ottenendo allineamenti più accurati e intervalli credibili ben calibrati, specialmente quando i vincoli temporali indipendenti sono scarsi.
Il documento presenta la "Gimbal Regression", un framework di regressione locale deterministico e consapevole della geometria che garantisce stime stabili e verificabili in presenza di eterogeneità spaziale, risolvendo i problemi di instabilità numerica tipici dei metodi tradizionali.
Utilizzando un'analisi spettrale innovativa sui dati JWST, lo studio rivela che l'arricchimento di CO₂ sulla superficie di Europa si estende oltre Tara Regio in modelli lenticolari, suggerendo che i processi microfisici superficiali, oltre all'emissione interna, influenzino la ritenzione dei volatili e abbiano implicazioni cruciali per la valutazione dell'abitabilità della luna.
Questo studio propone un approccio di previsione conformale, modello-indipendente e privo di assunzioni distributive, per quantificare l'incertezza nelle serie temporali funzionali ad alta dimensionalità, confrontando le prestazioni delle varianti "split" e "sequenziale" su dati di mortalità per età a livello subnazionale in Giappone e Canada.
Questo lavoro presenta un'implementazione Python di strumenti geometrici per l'analisi delle forme 3D nello spazio di Kendall, colmando il divario tra la teoria geometrica e le applicazioni pratiche integrando funzionalità specializzate mancanti nella libreria Geomstats.
Questo articolo propone un quadro pratico di progettazione e analisi bayesiana per trial clinici di precisione che utilizza un modello a pesi individuali per integrare parzialmente dati esterni basati sulla somiglianza delle covariate, con l'obiettivo di migliorare la stima degli effetti nei sottogruppi e ottimizzare la dimensione campionaria.
Questo articolo esamina come la scelta dell'estimando influenzi la determinazione del margine di non-inferiorità nei trial clinici, evidenziando le sfide poste dall'allineamento tra le prove storiche e gli obiettivi dello studio, specialmente nel contesto del framework ICH E9(R1) applicato alla gestione del peso.