252 papers
Dit artikel introduceert PATRO, een eenvoudige plug-in methode die onafhankelijke aanpassingen toepast op zowel de rolloutbeslissing als downstream optimalisaties op basis van experimentele data, waardoor het bijna even effectief is als de complexe Bayes-optimalisatie maar wel transparant en rekenkundig efficiënt blijft.
Dit artikel vestigt een sterke Gaussische benadering voor niet-gedegenereerde U-statistieken in hoge dimensies, waarbij een scherp martingaal-maximaal-ongelijkheid wordt gebruikt om functionele limieten af te leiden die geldig blijven onder zware staartverdelingen en toepassing vinden in veranderingstestprocedures.
Deze studie past modelonafhankelijke en distributie-vrije conformale voorspellingsmethodes toe op hoogdimensionale functionele tijdreeksen om voorspellingsintervallen voor subnationale sterftecijfers te construeren, waarbij de prestaties van gesplitste en sequentiële benaderingen worden vergeleken aan de hand van empirische dekking en intervalscores.
Deze methodologische review toont aan dat subgroepanalyses en meta-regressie in diagnostische testnauwkeurigheid-meta-analyses vaak worden gebruikt om heterogeniteit te onderzoeken, maar dat de rapportage van statistische modellen en de voorafgaande specificatie in protocollen vaak ontoereikend is, wat de transparantie en betrouwbaarheid van de bevindingen kan ondermijnen.
Dit artikel introduceert een Python-implementatie van geometrische hulpmiddelen voor Kendall's 3D-vormruimte om de kloof tussen theoretische Riemanniaanse geometrie en praktische toepassingen te overbruggen, waarbij bestaande bibliotheken zoals Geomstats worden aangevuld met specifieke functionaliteit voor geavanceerde 3D-vormanalyse.
Deze studie vergelijkt Monte Carlo Dropout en Conformal Prediction voor onzekerheidsschatting in CNN's en concludeert dat GoogLeNet beter gekalibreerd is dan VGG16, terwijl Conformal Prediction statistisch gegarandeerde voorspellingen biedt die essentieel zijn voor betrouwbare AI-toepassingen.
In dit artikel wordt de PCID-methode voorgesteld, een nieuw algoritme dat gebruikmaakt van permutatietests en isolatie voor het detecteren van meerdere veranderingpunten in circulaire signalen, waarbij de methode zowel in simulaties als bij toepassing op real-world datasets robuust presteert.
Het artikel introduceert ReTabSyn, een versterkt leerproces voor het synthetiseren van realistische tabulaire data dat door prioriteit te geven aan het leren van conditionele distributies in plaats van de volledige gezamenlijke distributie, de prestaties van downstream-modellen verbetert in scenario's met weinig data en onbalans.
Dit artikel presenteert een Bayesiaans kader voor het ontwerp en de analyse van precisietests met gedeeltelijke informatieoverdracht, waarbij externe data worden gewogen op basis van covariaten om subgroep-effecten nauwkeuriger te schatten, zoals geïllustreerd aan de hand van een maagkankerstudie.
Dit artikel pleit voor en beschrijft de implementatie van een formele representatie van data-analyses die de onderliggende logica en aannames expliciet maakt, waardoor de analyse zonder de originele data kan worden geëvalueerd en de gevoeligheid voor onvoorziene datafeit kan worden getoetst.
Dit artikel legt een verfijnde methode voor het schatten van het effect van screeningsprogramma's op latere sterfte uit, waarbij historische data en maximum likelihood-schattingen worden gebruikt om de precisie te vergroten en de betrouwbaarheid van de resultaten te verbeteren.
Deze paper introduceert nieuwe op kernen gebaseerde tests voor het beoordelen van de equivalentie tussen verdelingen, die de beperkingen van traditionele goodness-of-fit-tests en bestaande parametrische equivalentietests overwinnen door het gebruik van kernel-Stein-discrepantie en Maximum Mean Discrepancy.
Dit artikel onderzoekt hoe de keuze van de niet-inferioriteitsmarge onder ICH E9(R1) afhankelijk is van het gekozen estimand, en illustreert aan de hand van gesimuleerde patiënttrajecten in gewichtsmanagement dat historische effecten en marges specifiek zijn voor het estimand, wat complexiteit oplevert bij het vaststellen van marges wanneer historische trials een ander estimand hebben gebruikt of het estimandframework ontbrak.
Dit artikel introduceert een heterogeniteitsadaptief meta-analyseframework dat dataset-specifieke verdelingen via een Kullback-Leibler-straf naar een gezamenlijke 'centroïde' schuurt, waardoor een schatter met een bewezen lagere gemiddelde kwadratische fout en geldige inferentie wordt verkregen zonder homogeniteit aan te nemen.
Dit artikel presenteert een volledig niet-parametrische methode voor het construeren van tolerantie-intervallen met behulp van een gekalibreerde Gibbs-posterior, die in vergelijking met klassieke methoden kortere intervallen biedt bij behoud van betrouwbare frequentistische dekking.
Dit paper introduceert een praktische methode op basis van kernel density estimators om het risico op lidmaatschapsinformatielekken in synthetische tabulardata te kwantificeren, wat leidt tot een robuustere risicobeoordeling dan bestaande basismethoden zonder de noodzaak van rekenintensieve schaduwmodellen.
Dit artikel herbeoordeelt het concept van partiële copula's als een niet-lineair equivalent van partiële correlatie om statistische afhankelijkheid te modelleren na correctie voor covariaten, en toont aan hoe de eigenschappen van conditionele copula's de vorm van de partiële copula beperken, met toepassingsmogelijkheden in causale inferentie.
Deze paper introduceert een selectief voorspellingskader voor het terugvinden van molecuulstructuren uit massaspectra dat onzekerheidsmetingen gebruikt om voorspellingen te verwerpen wanneer de kans op fouten te groot is, waardoor betrouwbare annotaties mogelijk worden in kritieke toepassingen.
Dit paper introduceert Scorio, een open-source bibliotheek die statistische methoden biedt voor het betrouwbaar rangschikken van redeneer-LLMs onder test-time scaling, waarbij wordt aangetoond dat bepaalde technieken zelfs bij beperkte trial-aantallen nauwkeurige rankings genereren.
Dit artikel ontwikkelt een causaal overlevingsframework voor platformtrials dat aantoont dat het gebruik van alleen gelijktijdige controles met covariaat-gecorrigeerde dubbel robuuste schatters de meest robuuste strategie is om bias te voorkomen en precisie te verbeteren, in plaats van niet-gelijktijdige controles te poolen.