257 articoli
Questo articolo propone e valida i metodi di smoothing kernel e di massima verosimiglianza per la stima dei parametri del processo di Vasicek in presenza di rumore di microstruttura, dimostrandone la forte consistenza e l'accuratezza attraverso l'analisi teorica, simulazioni numeriche e l'applicazione empirica ai dati della Borsa di Shanghai.
Questo studio propone un framework ibrido GAM-LightGBM con calibrazione conforme selettiva e una procedura di annidamento per migliorare l'accuratezza e la coerenza delle previsioni probabilistiche del carico in più paesi europei sotto diverse incertezze meteorologiche.
Questo studio valida una matrice Q a sette attributi per la valutazione del ragionamento clinico in un esame medico nazionale coreano utilizzando un modello DINA, dimostrando una forte validità di gruppi noti attraverso differenze di padronanza significative tra gli studenti del terzo e del quarto anno.
Questo articolo presenta un framework di modellazione spaziale bayesiana gerarchica che genera avvisi probabilistici di calore e salute specifici per ogni quartiere in tutta la California, stimando soglie di temperatura variabili collegate ai accessi al pronto soccorso, consentendo così un'allocazione equa delle risorse e costituendo la base per il sistema ufficiale dello stato, CalHeatScore.
Questo studio dimostra che il coefficiente di ponderazione della precisione (γ) nel modello CPSP-8 è uno scalare limitato e sensibile alla pipeline che non riesce a generalizzare come biomarcatore portabile tra i diversi compiti, a meno che il guadagno di precisione non sia sufficientemente elevato, mentre altri parametri decisionali funzionano meramente come interruttori di modalità.
Questo articolo propone un metodo per derivare intervalli di confidenza bilaterali calibrati per la vera Area Under the Curve (AUC) nel Positive-Unlabeled learning, recuperando esattamente l'AUC target dalle metriche osservabili e propagando l'incertezza della frazione positiva stimata, affrontando così il bias e la mancanza di affidabilità nelle attuali valutazioni delle prestazioni.
Questo studio valuta modelli classici, di machine learning e di deep learning per la previsione dei casi settimanali di dengue a Marikina City utilizzando un design temporale protetto da data leakage, riscontrando che, sebbene i semplici modelli di base abbiano performato bene durante la validazione interna, il modello LSTM ha ottenuto una precisione predittiva superiore sul holdout out-of-time del 2025, nonostante una tendenza generale a sottostimare le settimane di livello epidemico.
Questo studio impiega un modello gerarchico bayesiano specifico per il partecipante e consapevole dell'incertezza per analizzare un esperimento intra-partecipante, rivelando che le voci generate dall'IA accoppiate con avatar generati dall'IA producono il profilo di coinvolgimento e carico cognitivo più favorevole, evidenziando al contempo una significativa eterogeneità individuale nelle risposte alle combinazioni audiovisive.
Questo studio sulle pubblicazioni di Biblioteconomia e Scienza dell'Informazione rivela che il vantaggio di citazione dell'open access non è uniforme ma è invece dipendente dall'argomento e ampiamente guidato da sottocampi adiacenti alle scienze della salute, pur essendo significativamente attenuato nel controllare i livelli di base delle citazioni delle riviste.
Questo articolo introduce modelli di screening flessibili lineari, quadratici e di posizione della componente che utilizzano la posizione zero per codificare l'omissione della componente, consentendo la stima efficiente di effetti di posizione assoluta non lineari e la costruzione di design ottimali per esperimenti di ordine di aggiunta in cui solo un sottoinsieme di componenti è disponibile per ogni corsa.