283 篇论文
本文构建了一个符合测量不确定度表示指南（GUM）的不确定度分量表和分辨率曲线，旨在证明常见的实验设计缺陷（特别是未受控的温度和统计失误）会剧烈提高电导研究中的假阳性率，并最终证明作者此前报道的数据未能达到声称物理化学性质发生改变所需的严格检测限。
本研究表明，公众对医疗保健领域人工智能的接受度遵循一个按临床后果排序的累积层级，在德语和意大利语人群中保持不变，并且尽管缺乏唯一确定的题目集，仍能通过一个五项短表形式进行有效捕捉。
本研究开发并部署了一个端到端的预测系统，利用工程化特征和机器学习模型来预测美国卫生与公众服务部（HHS）计划下无人陪伴外籍儿童的短期护理负荷，同时透明地记录了持久性基准模型与最终梯度提升模型之间的性能差异，以支持人员配置和容量规划决策。
本研究表明，传统的基于方差的指标对 ComBat 谐调（harmonization）提供了循环论证且具有误导性的验证，因为它们无法检测出持续存在的非线性厂商特有模式以及生物信号丢失，从而必须使用独立的非线性可分性测试来真正评估跨厂商的可比性。
本文介绍了 AstralModel，这是一种利用谱共振分解（Spectral Resonance Decomposition）来合成具有因果不变性、可解释性的非线性基函数的创新预测框架，该框架在达到树集成模型准确度的同时，还提供了严谨的不确定性量化与透明度。
本文提出了一种 Lévy 正则化贝叶斯神经网络框架，该框架整合了测度论估值、温和稳定噪声注入以及因果公平性调整，旨在显著提高偿付能力 II 框架下人寿保险准备金评估的准确性与公平性，特别是在流行病等极端人口统计冲击期间。
本文基于杰恩斯的极大熵原理建立了一个用于数据驱动建模的热力学框架，该框架将推理视为受信息热力学第一定律支配的物理过程，并利用热容异常在无需人为正则化的情况下内生地识别最优模型架构。
本文引入了“地统计可达性”（geostatistical reachability），这是一种通过模拟校准的框架，旨在通过评估任何容许的成员模型是否能在预测排序之前重现特定的结构诊断特征，从而对空间模型类进行定性，进而将结构兼容性与可观测性从单纯的预测性能中区分出来。
本文利用 T-X 族框架引入了一种新的六参数广义 Weibull-Kumaraswamy-Lomax 分布，推导了其基本函数，并针对其概率密度函数提出了一种新的线性级数展开法，以简化原始矩和熵的计算。
本文认为，机器学习模型对城市用电需求预测能力的优劣，主要取决于该城市历史负荷模式的内在可预测性（具体而言是季节性变化和温度敏感性），而非取决于该城市的结构特征或地理位置。