222 편의 논문
이 논문은 완전하거나 부분적으로 규칙적인 격자에서 관측된 기능적 데이터에 대해 공통 평균 함수와 개별 편차를 동시에 모델링하는 다단계 가우시안 프로세스 회귀를 제안하며, 이를 통해 대규모 데이터셋에 적용 가능한 정확한 분석적 표현식을 유도하고 Stan 을 통해 구현하여 기존 방법보다 수천 배 빠른 계산을 가능하게 합니다.
이 논문은 다양한 환경에서 데이터가 제한적일지라도 피어슨 위험 불변성과 조건부 가능도 극대화라는 두 가지 성질을 활용하여 일반화 선형 모델의 인과 구조를 식별하고, 특히 분산 모수가 알려진 경우 단일 환경 데이터만으로도 인과 관계를 발견할 수 있는 새로운 방법론과 R 패키지를 제안합니다.
이 논문은 대규모 데이터셋에서 메트로폴리스 - 헤이스팅스 알고리즘의 계산 비용을 줄이면서도 타겟 사후분포에 대한 상세 균형 조건을 만족하는 새로운 제어변량 기반 부분표본 알고리즘을 제안하고, 이를 통해 기존 방법보다 훨씬 작은 표본으로 정확한 베이지안 추론이 가능함을 이론적 분석과 실증 실험을 통해 입증합니다.
이 논문은 단일 시점의 다항 응답 데이터와 응답자별 공변량을 고려하며 속성 간 상관관계를 다변량 프로빗 모형으로 규정한 제한된 잠재 클래스 모델을 제안하고, 이를 우울증 진단 데이터에 적용하여 단일 요인 접근법을 넘어선 우울증의 잠재 구조를 규명하는 데 그 유용성을 입증합니다.
이 논문은 내재적 기하학을 기반으로 구면 및 토로이달 데이터의 평균 방향 변화를 탐지하기 위한 새로운 비모수적 방법론을 제시하고, 이를 2023 년 인도 서해안 사이클론 '비포르조이'의 경로 및 풍향 데이터에 적용하여 유효성을 입증했습니다.
이 논문은 등록 및 인구통계학적 데이터의 장기 증거를 전이 학습하여 베이지안 사망률 모델을 기반으로 유연하고 해석 가능하며 안정적인 생존 곡선 외삽 방법론을 제안하고, 유방암, 심부정맥 및 흑색종 사례를 통해 그 유효성을 입증합니다.
이 논문은 큰 시간 간격으로 관측된 준반응 시스템의 동역학을 분석하기 위해 비선형 국소 평균장 근사를 기반으로 한 새로운 매개변수 추정 알고리즘을 제안하며, 기존 방법보다 계산 효율성과 강성 (stiffness) 에 대한 강건성을 갖춘 것으로 입증되었습니다.
이 논문은 로봇 군집 모니터링을 위해 고차원 스트리밍 데이터의 저랭크 공분산 구조 변화를 탐지하기 위해 제안된 다중 랭크 부분공간 CUSUM (MRS-C) 절차의 점근적 최적성과 실용적 유효성을 입증합니다.
이 논문은 네트워크 간섭 하에서 정책 결정에 유효한 인과량으로, 단위별 효과의 요약이자 최적 정책 선택을 가능하게 하는 '기대 평균 결과 (expected average outcome)'를 강조하며 기존 추정량의 한계를 지적합니다.
이 논문은 톰슨 샘플링의 높은 변동성과 추론 문제를 해결하기 위해 귀무가설을 기반으로 한 베이지안 모델 평균화를 도입하여, 동적 할당 확률을 효과적으로 안정화하는 새로운 반응적 무작위화 방법과 이를 구현한 R 패키지를 제안합니다.
이 논문은 고차원 선형 회귀를 위한 베이지안 전이 학습 프레임워크인 BLAST 를 제안하여, 적응적 축소와 베이지안 소스 선택을 통해 부정적 전이를 방지하고 타겟 데이터만 사용한 방법보다 정확한 사후 추론과 우수한 불확실성 정량화를 가능하게 함을 보여줍니다.
이 논문은 3 차원 이상의 다차원 패널 데이터에 대한 선형 회귀 모형을 연구하여, Bai(2009) 의 요인 모형 추정과 가중치 내변환을 결합한 Neyman-orthogonal 추정법을 제시하고, 이를 통해 일관성과 모수적 수렴 속도를 확보하며 맥주 수요 탄력성을 추정하는 방법을 제안합니다.
이 논문은 환경 및 금융 분야에서 다변량 및 공간 극한 사건의 위험을 평가하기 위해 R 패키지 ExtremalDep 를 활용한 실용적인 분석 방법과 실제 적용 사례를 제시합니다.
이 논문은 두 모집단에서 독립적인 이진 관측치를 바탕으로 상대위험, 오즈비 및 그 로그에 대한 추정량을 제안하며, 2 단계 순차 샘플링 전략을 통해 모든 모수 값에 대해 목표 평균제곱오차와 표본 크기 비율을 보장하고 그룹 샘플링 적용 시에도 크라메르-라오 하한에 근접한 효율성을 달성함을 보여줍니다.
이 논문은 Simpson 의 역설이나 선택 편향과 같은 통계적 함정을 식별하고 해결하는 능력을 평가하기 위해 'CausalPitfalls'라는 새로운 벤치마크를 제안하고, 이를 통해 현재 대규모 언어 모델 (LLM) 이 인과 추론에서 심각한 한계를 보임을 입증합니다.
이 논문은 데이터를 기반으로 자동으로 구간 수와 위치를 선택하는 완전 베이지안 접근법을 제시하여, 불규칙 히스토그램 구성을 위한 일관된 추정량과 최소극대 수렴 속도를 달성하는 새로운 방법을 제안합니다.
이 논문은 임상 시험에서 치료 효과의 이질성을 탐구하고 하위 그룹별 반응을 추정하기 위해 모델 불확실성을 고려하고 자동적으로 정보 공유 강도를 조절하는 베이지안 계층형 조정 가능 무작위 분할 (BHARP) 모델을 제안하고, 시뮬레이션 및 실제 사례를 통해 기존 방법보다 우수한 정확도와 정밀도를 입증합니다.
이 논문은 편미분방정식 (PDE) 기반 역문제에 대한 불확실성을 정량화하기 위해 PDE 손실 함수를 사전 지식으로 통합한 베이지안 확장 방법인 B-ODIL 을 제안하고, 다양한 차원의 합성 벤치마크 및 뇌종양 성장 모델링을 통한 실제 임상 사례를 통해 그 유효성을 입증합니다.
이 논문은 선형 최소제곱법을 기반으로 가장 영향력 있는 데이터 집합의 극단적 영향을 통계적으로 검정할 수 있는 엄밀한 프레임워크를 제시하여, 기존 경험적 규칙을 대체하고 경제학·생물학·머신러닝 분야에서 논쟁적이던 결과를 해결합니다.
이 논문은 e-value 와 e-process 를 활용하여 의존성과 모델 오명시에도 유효한 비모수적 순차 비교 백테스팅 프레임워크를 개발하고, 이를 통해 다양한 위험 측정치에 대해 더 정보력 있는 결론을 도출하는 개선된 3-영역 접근법을 제안합니다.