📊 statistics
Logistics-driven proactive drone epidemic intervention model
本文提出了一种由物流驱动的主动型疫情干预模型，该模型将 RM-SIR 数学框架与智能无人机配送系统相结合，以实现精准的、优先考虑农村地区的资源调度，有效地将物流从被动的运输功能转变为主动的疫情控制工具，在保持高成本效益的同时，显著降低了疫情高峰值和持续时间。
📊 Category
stat
103 篇论文
📊 statistics
Statistical Advances in Nonparametric Estimation through Artificial Intelligence Techniques
本文综述了将深度学习和强化学习等人工智能技术整合进非参数估计的理论与实践，旨在解决医学和经济学等领域中的高维挑战与复杂依赖问题，同时批判性地考察了可解释性、计算成本与统计保证之间的权衡。
📊 statistics
Accurate mean-field predictions for cognitively grounded social influence dynamics with confirmation bias
本文表明，具有确认偏误的认知细节化社会影响类智能体模型可以被精确地简化为一个低维、解析可处理的平均场系统，该系统能够捕捉从共识到极化的转变，并为诊断对称性破缺提供一种简单的稳定性测试。
📊 statistics
Trust in Health Information Sources and Perceived Climate Change Health Risks: Evidence from the 2022 and 2024 Health Information National Trends Survey
通过利用 2022 年和 2024 年健康信息全国趋势调查的数据，本研究表明，对政府卫生机构的信任是感知气候变化为健康风险的最强预测因子，而对科学家的信任显示出随时间减弱的关联性，且对医生的信任并非显著因素。
📊 statistics
Mathematical Modeling of the Rate of Cognitive Adaptation With an AI Tutor Among Adult Learners
这项实证研究验证了一个数学模型，该模型表明，成年学习者在技术领域的认知适应速率主要由智力谦逊与自我噪声的比率所驱动，而非初始智力潜能，且最小化自我噪声能显著缩短达到正确解平台期所需的时间。
📊 statistics
Scalable Random Survival Forests via Risk Set Sampling
本文提出了一种可扩展的随机生存森林方法，该方法利用风险集采样来显著缩短训练时间，同时保持甚至提高预测性能，且该方法现已在广泛使用的 R 包 `ranger` 中实现。
📊 statistics
A New Pareto-Type Family via the Right-Sided Riemann–Liouville Fractional Integral: Properties and Applications
本文引入了一类通过右侧 Riemann–Liouville 分数积分算子生成的全新灵活的 Pareto 型分布族，该族分布提供了一种用于调节尾部行为的有理论依据的机制，并证明了在模拟重尾现实世界数据方面比现有模型具有更优越的性能。
📊 statistics
Real-world performance of large-scale propensity score adjustment strategies: Matching, weighting, and stratification
本研究评估了跨四个国家级医疗数据库的大规模倾向评分调整策略，并得出结论：采用 Crump 修剪的逆概率加权法与 1:1 匹配通常表现最佳，尽管没有哪种单一策略是普遍优越的，因此有必要使用诊断工具和经验校准来指导选择。
📊 statistics
A Probabilistic Framework for Reconstructing Sparse UAV-Based Radiation Monitoring Data Using Gaussian Process Regression and Uncertainty Quantification
本研究提出了一种利用高斯过程回归的感知不确定性概率框架，旨在有效地重建切尔诺贝利核事故隔离区内稀疏的无人机辐射监测数据，在提高准确性的同时超越了传统的插值方法，并为知情的环境决策提供必要的空间不确定性估计。
📊 statistics
Robust Regularised M-Estimators for High-Dimensional Regression with Heavy-Tailed and Skewed Errors
本文引入了一类用于高维回归的鲁棒正则化 M-估计量，该类估计量在极小的矩条件（有限的 ）下实现了最优收敛速率和变量选择一致性，并且在处理重尾、偏斜或受污染的误差时，在模拟实验和真实基因组应用中均优于现有方法。