259 papers
Dit artikel introduceert en evalueert twee localisatiestrategieën voor sequentiële MCMC-data-assimilatie die weight-degeneratie vermijden en zware-tail fouten hanteren, waarmee ze superieur presteren ten opzichte van traditionele ensemble Kalman-methoden bij het assimileren van niet-lineaire en niet-Gaussische geofysische modellen.
Dit paper introduceert een flexibel model voor multivariate Hawkes-processen met additieve excitatie en multiplicatieve inhibitie om de complexe tijdsafhankelijkheid in dierlijke communicatie te analyseren, wat wordt gevalideerd via simulaties en toegepast op datasets van meerkatten en walvissen.
Dit artikel introduceert GRID-MOM, een robuust grid-gebaseerd schattingsmethode voor de afgeknotte scheve normaalverdeling die de complexiteit van de optimalisatie verlaagt en numerieke stabiliteit biedt door het vormparameter te scheiden van de locatie- en schaalparameters.
Deze paper introduceert de bivariate RIVW-schatter (BRIVW), een nieuwe methode voor Mendeliaanse randomisatie die tegelijkertijd de 'winner's curse' en steekproefstructuur corrigeert door de gezamenlijke verdeling van SNP-associaties te modelleren, wat leidt tot nauwkeurigere causale effectschattingen dan bestaande methoden.
Deze scoping review biedt een systematisch overzicht van methoden die covariaatgebaseerde clustering combineren met uitkomstmodellen voor klinische studies, waarbij onderscheid wordt gemaakt tussen 'informed-cluster' en 'agnostic-cluster' benaderingen die vooral waardevol zijn voor risicofactorenstratificatie en het schatten van subgroepspecifieke behandelingseffecten in heterogene populaties.
Dit paper introduceert het Learn-As-you-GO (LAGO)-ontwerp als een adaptieve methode om complexe gezondheidsinterventies tijdens het onderzoek te optimaliseren, waardoor de kans op mislukte trials wordt verminderd en effectieve, kostenefficiënte oplossingen worden bereikt, zoals geïllustreerd aan de hand van de BetterBirth-studie en lopende HIV- en NCD-trials.
Deze paper introduceert een wrapped Gaussian Markov random field (WGMRF) model dat de computationele uitdagingen van het modelleren van grote ruimtelijke richtingsdata, zoals golfrichtingen tijdens de tsunami van 2004, oplost door gebruik te maken van een schaarse precisiestructuur voor betere schaalbaarheid en voorspellende prestaties.
Dit artikel toont aan dat stabiliteitsgebaseerde, boomgebaseerde methoden waardevolle complementaire hulpmiddelen zijn voor de detectie van interactie-effecten in meta-regressie, vooral wanneer de relaties niet-lineair zijn of de steekproefgrootte toeneemt, terwijl traditionele lineaire methoden beter presteren bij strikt lineaire interacties.
Dit artikel presenteert een nieuwe methode om verplaatsing van huishoudens in de regio Central Puget Sound te schatten tussen 2016 en 2023 door huishoudelijke enquêtes te combineren met een Bayesiaans spatiotemporale model, wat regionale verschillen en een tijdelijke daling tijdens de periode 2020-2021 blootlegt.
Dit artikel introduceert DistBART, een Bayesiaanse niet-parametrische methode voor distributieregressie die Bayesiaanse additieve regressiebomen (BART) combineert met een lineaire functionaal om voorspellingen te doen op basis van distributie-gebaseerde voorspellers, waarbij zowel theoretische convergentie als schaalbaarheid door random-feature benaderingen worden gegarandeerd.
Dit artikel presenteert een verrijkt radiomics-framework dat structurele kenmerken combineert met functionele data uit lever-MRI via versterkingspatroonmapping, wat leidt tot superieure prestaties bij de diagnose en risicoclassificatie van leverkanker vergeleken met traditionele methoden.
Dit artikel onderzoekt via een Monte Carlo-simulatie hoe de versterkingsparameter in het Finite Selection Model de prestaties van schatters beïnvloedt, en concludeert dat een gematigde versterking de covariatenbalans verbetert terwijl overmatige versterking de variantie kan verhogen.
Dit artikel onderzoekt de convergentie van voorspellende verdelingen voor functionele hoofdcomponenten van schaars gesamplede longitudinale data naar de ware waarden bij overgang naar dichte sampling, en biedt een oplossing voor inconsistentie in puntvoorspellingen binnen functionele lineaire modellen.
Deze paper introduceert een representatie-agnostisch refutatiekader dat theoretische voorwaarden en neurale methoden biedt om de bovengrenzen van vertekening door confounding te schatten die ontstaat bij het gebruik van laagdimensionale representaties voor de schatting van gemiddelde behandelingseffecten.
Dit artikel introduceert de Data Informatie Matrix (DIM) om een singuliere foliatiestructuur op de ruimte van realistische data te definiëren via getrainde ReLU-neurale netwerken, waarbij wordt aangetoond dat de data correleert met de bladeren van deze foliatie en dat de spectrale analyse van de DIM nuttig is voor kennisoverdracht tussen datasets.
Dit artikel bewijst dat betrouwbare (faithful) Bayesiaanse netwerken een typisch geval vormen binnen diverse klassen, waaronder parametrische en niet-parametrische modellen, en dat hierdoor consistentie voor constraint-based causale ontdekkingsalgoritmen zoals PC en FCI geldt op een open en dicht deel van de parameter ruimte.
Dit artikel introduceert de AU-learner, een nieuw orthogonaal leermodel dat de aleatorische onzekerheid van het behandelingseffect kwantificeert door scherpe grenzen voor de conditionele verdeling van het behandelingseffect (CDTE) te schatten via partiële identificatie.
Dit artikel introduceert een op onafhankelijkheidstoetsing gebaseerde voorwaarde (AIT) om de geldigheid van instrumentvariabelen te testen in additieve niet-lineaire modellen met niet-constante effecten en ongemeten verstorende factoren, waarbij zowel discrete als continue behandelingen worden behandeld.
Dit artikel introduceert een nieuwe diagnose voor parameterspecifieke bias in random-effects paneldata-modellen die de Hausman-test aanvult door interne schattingen van eindsteekproefbias en permutatiegebaseerde p-waarden te bieden op basis van één enkel gefit model.
Deze paper introduceert twee nieuwe algoritmen, PE-GP-TS en HP-GP-TS, die op Thompson Sampling gebaseerde Gaussian Process bandits combineren met automatische prior-selectie om zowel de hyperparameters te kiezen als de regret-theoretische garanties te waarborgen.