257 件の論文
Distribirdは、マルチエージェント・パイプラインを展開して科学的データの抽出、重み付け、および適合を行うことで、ベイズモデル較正のための文献に基づいた事前分布の作成を自動化し、一般的に使用される一様事前分布や根拠のない単一プロンプトによるLLMベースラインに代わる、追跡可能で妥当性が検証された選択肢を提供するエージェンティックなウェブアプリケーションである。
本論文は、ニューヨーク市の住居費負担に関する機械学習モデルを遡及的に検証し、静的な経済的仮定に起因する系統的な過小予測を明らかにした上で、不確実性を考慮した手法を用いてフレームワークを再校正し、2025年から2028年にかけてのより堅牢でシナリオに基づいた予測を生成するものである。
本論文は、行列値データの非対称性を効果的に捉え、クラスタリングを行うための新しい行列変量歪正規分布およびその有限混合モデルを提案しており、導出された推定法とECMアルゴリズムを通じて、従来の対称モデルよりも優れた柔軟性と性能を提供する。
本論文は、理論的証明、モンテカルロ・シミュレーション、およびASEAN諸国における再生可能エネルギーと成長の関連性への適用を通じて示される通り、長期共分散行列推定量の有限標本における歪みを回避しつつ、式間誤差相関を活用することで、小標本（small-N）パネルにおける推定効率とコインテグレーション検定の検出力を向上させる、一見無関連な自己回帰分布ラグ（SUR-ARDL）フレームワークを提案するものである。
本論文は、複雑な慢性疾患における因果推論の正確性と透明性を高めるために、経験的なイベントログのプロセスマイニングと専門家による裁定を統合することで、知識ベースの因果モデル（DAG）を反復的に洗練させる、クローズドループ型の人間とAIの協調フレームワークを提案するものである。
本研究は、バイオ医薬品の品質モニタリングにおける変化点検出器を、偽陽性率および探索空間の除去（アブレーション）を一致させた条件下で比較した際、標準的な分散ベースのペナルティが様々なサンプルサイズや分布においてロバストな代替手法を凌駕することを示しており、これまでのロバストな手法への選好は、それら手法固有の優位性によるものではなく、制御されていない実験条件によって引き起こされたものであることを明らかにしている。
本論文は、研究者が手法的な好みではなく、特定の意思決定目標に基づいて、並行クラスター試験、ステップウェッジ、ファクトリアル、あるいは適応的試験といった最も適切なランダム化デザインのファミリーを選択するための指針となる、実践的かつ質問駆動型のフレームワークおよび付随するツールを提示するものである。
本論文は、学習されたカオス的サロゲートにおいて、1ステップの予測誤差が長期的な統計的忠実度の劣った予測因子であることを示し、計算コストの高いロールアウトを必要とせずに長期的な統計誤差を効率的に抑え込むことができる、システム固有の応答演算子を導入するものである。
本論文は、高次元の組成型マイクロバイオームデータにおける外れ値への対処とスパース性の確保を目的として、Huber損失とLassoペナルティを組み合わせたロバストな対数コントラスト回帰フレームワークを提案し、理論的な保証を提供するとともに、実装のための効率的な対称ガウス・ザイデルADMMアルゴリズムを提示する。
本論文は、RUMBoostのようなデータ駆動型手法の予測力と古典的なMNLモデルの解釈可能性を両立させるハイブリッドモデルとして、ペナルティ付き多項ロジスティック木回帰（PMLTR）を導入し、広範なベンチマークを通じて、手動による仕様設定が依然として競争力を維持している一方で、純粋なデータ駆動型アプローチは予測において優れているのに対し、PMLTRは最適化と推論に不可欠な読み取り可能な効用を一意に提供できることを実証する。