441 편의 논문
이 논문은 공변량 제약이 있는 클러스터 무작위 배정을 위한 근사 샘플러를 평가하기 위한 총 변동 인증 프레임워크를 소개하며, 고정된 벤치마크와 합성 확장 모델을 통해 현재의 양자 및 고전적 근사 방식이 종종 정확한 목표치에서 크게 벗어나 무작위 배정 검정의 제1종 오류율을 팽창시키고 p-값을 변화시킨다는 점을 입증한다.
본 논문은 로그 밀도를 모델링하기 위해 페널티가 부여된 데이터 기반 B-스플라인을 사용하여, 이론적 분석, 시뮬레이션 및 실제 응용 사례를 통해 전통적인 커널 및 고정 매듭 스플라인 방식보다 우수한 성능을 입증함으로써 모집단 최빈값 추정을 위한 유연하고 계산 효율적인 프레임워크를 제안한다.
본 논문은 복합 표본 설계 가중치, 계층적 부분 풀링(hierarchical partial pooling), 그리고 불확실성 보정을 통합하여 예측 시스템의 집단 간 격차를 정확하게 추정하고 인증하는 베이지안 인구 인식 공정성 프레임워크를 제안하며, 시뮬레이션과 실제 데이터를 통해 표본 설계(survey design)를 무시하는 것이 편향된 공정성 결론으로 이어질 수 있음을 입증한다.
본 논문은 횡단면 ETF 수익률 분포를 위한 바세슈타인 공간 내 적응형 함수 주성분 분석(FPCA) 예측 프레임워크를 제안하며, 강력한 FPCA 자기회귀 앵커와 선택된 분위수 잔차 교정 또는 전역 스코어 역학 중 하나를 결합하는 것이 표준적이고 불안정한 대안들에 비해 완만하지만 안정적인 개선을 가져온다는 것을 입증한다.
본 방법론적 연구는 CMS 메디케이드 관리형 케어 등록 보고서(Medicaid Managed Care Enrollment Report) 데이터를 표준화하기 위한 유연한 클리닝 알고리즘을 개발 및 검증함으로써, 2016년부터 2021년까지 미국 11개 주의 시장 통합 추세에 대한 보다 정확한 종단적 추적을 가능하게 한다.
이 논문은 사망 지속성을 동적으로 추정하고 몬테카를로 시뮬레이션을 통해 강건성을 입증함으로써, 16개 서아프리카 국가의 단기 5세 미만 사망률 추세를 예측하는 데 있어 다양한 통계 및 머신러닝 벤치마크보다 뛰어난 성능을 보이는 적응형 사망 드리프트(Adaptive Mortality Drift, AMD) 모델을 소개하고 검증한다.
FDA MAUDE 데이터에 대한 이 실증적 연구는 광범위한 기간의 양의 불균형 신호가 종종 방법론적으로 불안정하다는 것을 입증하며, 기기 안전성에 관한 결론을 도출하기 전에 견고한 보고 패턴과 인위적 산물을 구별하기 위해 시간적, 엔티티 레이블 및 비교 대상 스트레스 테스트가 필요함을 보여준다.
본 논문은 공간적 구조, 개인의 이동성 및 일반적인 체류 시간 분포를 고려하여 상호 연결된 구획 공간 내 감염병 전파를 분석하기 위해 폐쇄형 마르코프 모델과 개방형 준마르코프 인구 모델을 사용하는 확률론적 프레임워크를 제안한다.
이 몬테카를로 연구는 AI 지원 글쓰기 개선이 학습자의 상대적 숙련도 순위를 자동으로 보존하지는 않지만, 그 결과로 나타나는 순위 역전과 선택 불안정성은 지원 메커니즘에 따라 크게 달라지며, 특히 약점 타겟형 개선은 제품 점수만의 보정으로는 완전히 해결할 수 없는 상당한 순위 오류와 선택 정확도 저하를 야기한다는 것을 입증한다.
본 논문은 하나의 레이블된 관측치가 있는 가우시안 인컨텍스트 회귀(Gaussian in-context regression)에서, 미지의 태스크 기하 구조를 추정하는 데 드는 통계적 비용이 레이블 피드백 없이 기하학적 행동을 선택할 때의 비용과는 구별되며 이와 비교하여 엄격히 양수임을 입증하며, 이는 참조 데이터가 많아짐에 따라 총 위험(total risk)이 감소함에도 불구하고 레이블 피드백이 베이즈 근사 후회(Bayes approximation regret)를 줄이는 데 있어 독특한 이점을 제공한다는 점을 드러낸다.