97 articoli
Questo lavoro propone un metodo pratico basato su stimatori di densità kernel (KDE) per quantificare il rischio di divulgazione dell'appartenenza in dati sintetici tabulari, permettendo una valutazione robusta della privacy senza la necessità di costosi modelli ombra.
Il paper propone un nuovo framework basato sul valore di Shapley limitato (PRS) e sulla metrica xGA per quantificare il contributo cooperativo dei singoli giocatori nelle azioni di tiro del calcio, applicando il modello ai dati della Serie A 2022/23 per rivelare eterogeneità nelle prestazioni e discrepanze tra coinvolgimento tattico ed efficienza finale.
Questo lavoro propone l'uso della Likelihood Sintetica Bayesiana (BSL) all'interno di una regressione di meta-analisi di rete multilivello (ML-NMR) per sfruttare dati di sintesi subgruppo e gestire covariate mancanti, superando le sfide computazionali dell'Hamiltonian Monte Carlo tramite tecniche di rilassamento continuo e campionamento per importanza, con l'obiettivo di migliorare significativamente le comparazioni di trattamento rispetto ai metodi standard.
Questo articolo propone un approccio basato su modelli a frequenza mista per prevedere i tassi di cambio (in particolare CAD/USD), dimostrando come tale metodologia superi le limitazioni dell'aggregazione temporale e offra previsioni più efficaci rispetto ai metodi tradizionali, contribuendo così a risolvere il "puzzle" di Meese e Rogoff.
Questo articolo propone un modello stocastico integrato basato su un processo di Ornstein-Uhlenbeck a varianza temporale per descrivere congiuntamente i movimenti individuali e la distribuzione di popolazione degli aquile reali, permettendo una stima più accurata dei rischi per gli impianti eolici e una migliore previsione delle origini migratorie rispetto all'uso esclusivo dei dati di abbondanza relativa.
Il paper propone un nuovo test omnibus di bontà di adattamento per distribuzioni continue univariate basato sui momenti trigonometrici, che migliora il test LK sfruttando la struttura di covarianza per ottenere una distribuzione asintotica anche in presenza di parametri di disturbo, fornendo procedure plug-and-play validate su undici famiglie di distribuzioni e applicate a errori di previsione meteorologica.
Questo articolo propone un algoritmo sequenziale basato su test multivariati di tipo Cochran e una procedura bootstrap multi-round per identificare e aggregare gruppi di centri omogenei in studi multicentrici distribuiti, garantendo il recupero della partizione vera in condizioni asintotiche e dimostrando efficacia sia nelle simulazioni che nell'analisi dei dati reali.
Questo studio propone un framework basato su dati e modelli di coda per una pianificazione dinamica della capacità delle unità di terapia intensiva neonatale, dimostrando come le euristiche statiche siano inadeguate di fronte alla variabilità temporale della domanda e della durata della degenza.
Questo articolo presenta limiti probabilistici conservativi per lo spettro della matrice di ammettenza e i modelli di flusso di potenza lineare in reti con parametri incerti, fornendo un quadro teorico per valutare gli errori delle approssimazioni comuni e dimostrando che tali limiti scalano in funzione della criticità nodale.
Il paper propone una semplice rielaborazione algebrica della decomposizione della covarianza di Yates per il punteggio di Brier, che esprime l'errore di previsione probabilistica come somma di tre termini non negativi (mismatch di varianza, deficit di correlazione e calibrazione globale), rendendo così trasparenti le condizioni necessarie per una previsione perfetta.
Questo articolo propone un approccio adattivo a due stadi per gli studi randomizzati a grappolo che combina test di combinazione, ri-stima della dimensione campionaria e criteri di arresto anticipato per ottimizzare costi ed efficienza, tenendo conto delle incertezze parametriche e delle strutture complesse come gli studi a scala a gradini.
Il paper presenta behavior-dLDS, un modello di sistemi dinamici lineari decomposti che disentangla le dinamiche neurali latenti correlate al comportamento da quelle computazionali interne, dimostrando efficacia su dati simulati e su registrazioni su larga scala di zebrafish.
Questo articolo propone un approccio statistico basato su "test e punizione" per sostenere la cooperazione nei giochi ripetuti infinitamente con monitoraggio imperfetto, dimostrando come l'integrazione di inferenza statistica nelle strategie di gioco permetta di raggiungere risultati di tipo Folk theorem, sia in equilibrio di Nash che in equilibrio di Nash perfetto nei sottogiochi, a seconda del metodo di test utilizzato.
Uno studio longitudinale basato sui dati di "All of Us" e su tracker indossabili ha rivelato che, sebbene protesi d'anca e ginocchio siano precedute da un declino graduale dell'attività fisica, i pazienti mostrano un recupero a stadi entro due anni dall'intervento, con tempi di ritorno ai livelli preoperatori influenzati dalla riserva funzionale immediata prima dell'operazione.
Questo articolo presenta due strategie di localizzazione per l'assimilazione di dati basata su SMCMC, un metodo sequenziale che evita la degenerazione dei pesi tipica dei filtri a particelle, dimostrando la sua efficacia ed efficienza nel filtraggio di modelli geofisici non lineari e non gaussiani ad alta dimensionalità, inclusi casi con rumore pesante e dati reali della missione SWOT.
Questo studio propone una nuova classe di processi di Hawkes multivariati che combina eccitazione additiva e inibizione moltiplicativa per modellare la comunicazione acustica animale, risolvendo problemi di identificabilità e applicando il metodo a dati di suricati e balene per rivelare dinamiche di eccitazione e inibizione sia intra- che inter-specifiche.
Questo tutorial presenta un approccio bayesiano in due fasi per quantificare l'incertezza nei dati di compressione da shock lineari, generando multiple curve di Hugoniot coerenti con le misurazioni sperimentali e dimostrando la superiorità del metodo rispetto alla regressione ai minimi quadrati e al bootstrapping su dati reali di argon, rame e nichel.
Questa revisione sistematica esamina i modelli di outcome basati sul clustering per studi clinici, distinguendo tra approcci "informati" e "agnostici", e ne illustra le applicazioni nella stratificazione del rischio, nella ricerca sulle malattie rare e nella stima degli effetti terapeutici specifici per sottogruppi.
Lo studio dimostra che l'integrazione dell'Analisi Topologica dei Dati con l'apprendimento automatico sui dati di clearance del piede migliora l'accuratezza della diagnosi differenziale tra malattia di Parkinson idiopatica e parkinsonismo vascolare, superando i limiti dei metodi gait analysis convenzionali.
Il paper propone un modello di campo casuale gaussiano spaziale avvolto (WGMRF) per l'analisi efficiente e scalabile di grandi dataset direzionali spaziali, superando i limiti computazionali dei modelli esistenti e dimostrando prestazioni superiori nell'applicazione ai dati sulle direzioni delle onde durante lo tsunami dell'Oceano Indiano del 2004.