96 artigos
Este artigo propõe uma abordagem baseada em modelos para isolar e rastrear especificamente os efeitos de consumo decorrentes de algoritmos de controle inteligente em edifícios aquecidos por distrito, superando as limitações dos métodos tradicionais ao decompor esses efeitos em subcomponentes utilizando dados reais de longo prazo.
O artigo propõe o método TV-Select, um quadro unificado que utiliza penalização dupla e splines B para realizar a seleção estrutural simultânea de variáveis e determinar se seus efeitos em modelos de dados longitudinais são constantes ou variáveis no tempo, garantindo consistência na seleção e propriedades assintóticas ótimas.
Este artigo propõe um sistema de suporte à decisão baseado em processos neurais que utiliza a previsão probabilística de sinais vitais para identificar pacientes elegíveis para a transição de antibióticos intravenosos para orais, superando as limitações de abordagens que aprendem com decisões históricas e demonstrando maior eficácia na priorização de casos em dados reais dos EUA e do Reino Unido.
Este artigo propõe e valida dois métodos probabilísticos, a Taxa de Reprodutibilidade (RR) e a Taxa de Falsa Irreprodutibilidade (FIR), para quantificar e prever o comportamento das associações positivas em estudos de replicação de GWAS, auxiliando tanto no desenho desses estudos quanto na identificação de verdadeiros positivos que podem ter sido erroneamente descartados.
O artigo propõe um novo método de análise conjunta baseado em estatísticas resumidas que controla a taxa local conjunta de falsas descobertas (Jlfdr), demonstrando ser mais poderoso e eficaz do que os métodos tradicionais de meta-análise para identificar variantes genéticas associadas, especialmente em conjuntos de dados heterogêneos.
O artigo apresenta o EarthquakeNPP, um novo benchmark que corrige falhas anteriores e demonstra que, atualmente, nenhum dos cinco modelos de Processos Pontuais Neurais testados supera o modelo ETAS clássico para previsão de terremotos na Califórnia.
Este artigo propõe um método de calibração que estabelece uma ligação formal entre a significância estatística e a clínica, demonstrando que os desenhos padrão de ensaios clínicos de fase 3 oferecem evidência robusta de desequilíbrio de equidade quando apresentam resultados positivos consistentes, enquanto resultados inconsistentes entre fases exigem tamanhos amostrais inviáveis para efeitos clinicamente significativos.
Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
Este artigo propõe um quadro sistemático para desenvolver variáveis de adaptação baseadas em evidências para intervenções adaptativas, argumentando que, embora dados observacionais secundários possam ser utilizados, ensaios experimentais especificamente desenhados para otimização oferecem a evidência causal mais direta para determinar medidas, momentos e pontos de corte ideais.
O artigo propõe redes neurais bayesianas singularizadas que, ao parametrizar os pesos como produtos de matrizes de baixo posto, reduzem drasticamente o número de parâmetros e melhoram a calibração e a detecção de dados fora da distribuição, mantendo um desempenho competitivo com ensembles profundos.
O artigo apresenta o SEED-SET, um framework de design experimental bayesiano que integra avaliações objetivas e julgamentos subjetivos de partes interessadas via Processos Gaussianos Hierárquicos para realizar testes éticos escaláveis e eficientes em sistemas autônomos, superando métodos existentes na geração de candidatos de teste e na cobertura de espaços de busca.
Este estudo propõe um novo método de agrupamento baseado em grafos e informado por trajetórias que integra dados clínicos multimodais e a evolução temporal dos pacientes para identificar subtipos de câncer com perfis prognósticos distintos, superando as limitações das abordagens estáticas tradicionais.
Este artigo propõe e valida dois novos algoritmos de g-computação que superam as limitações dos métodos existentes ao estimar simultaneamente os efeitos de ações variáveis no tempo na presença de eventos semi-concorrentes e confusão variável no tempo, demonstrando sua eficácia em simulações e em uma aplicação real sobre o impacto da prevenção do tabagismo na hipertensão.
O artigo apresenta o BSync, uma nova estrutura de sincronização bayesiana que infere uma função de mapeamento temporal monotônica para alinhar registros paleoclimáticos a cronologias de referência, fornecendo quantificação formal de incerteza e superando métodos de otimização existentes, especialmente quando as restrições de idade independentes são escassas.
Este artigo propõe a Regressão Gimbal (GR), um framework de regressão local determinístico e geometricamente consciente que utiliza pesos direcionais explícitos e soluções de forma fechada para garantir estabilidade numérica e diagnósticos transparentes na presença de heterogeneidade espacial e vizinhanças anisotrópicas.
Este estudo utiliza uma análise de dados baseada em machine learning das observações do JWST para revelar que o enriquecimento de CO2 na superfície de Europa, que se estende além de Tara Regio e coincide com assinaturas de textura de gelo anômalas, reflete tanto processos de emplaceamento quanto de retenção microfísica, oferecendo novas perspectivas sobre a troca entre a superfície e o interior do satélite e sua habitabilidade.
Este artigo propõe o uso de métodos de previsão conformal, especificamente as abordagens dividida e sequencial, para construir intervalos de previsão livres de distribuição em séries temporais funcionais de alta dimensão, demonstrando sua eficácia na previsão de mortalidade subnacional no Japão e no Canadá.
Este trabalho apresenta uma implementação em Python de ferramentas geométricas para o Espaço de Formas 3D de Kendall, visando preencher a lacuna entre a teoria geométrica complexa e fluxos de trabalho computacionais práticos, complementando bibliotecas existentes como o Geomstats com utilitários específicos para análise avançada de formas 3D.
Este artigo propõe uma estrutura prática de desenho e análise bayesiana para ensaios clínicos de precisão que utiliza um modelo de ponderação individual para incorporar parcialmente dados externos, ajustando o peso com base na similaridade das covariáveis, a fim de melhorar a estimativa de efeitos em subgrupos esparsos.
Este artigo demonstra que a escolha da margem de não inferioridade em ensaios clínicos deve ser intrinsecamente alinhada ao estimando específico definido, uma vez que diferentes estratégias para eventos intercorrentes alteram a estimativa do efeito do tratamento e, consequentemente, a validade da constância histórica necessária para derivar a margem.