- 非可忽略缺失数据的识别与估计:一种数据融合方法
我们考虑的是在数据不随机缺失(MNAR)的情况下识别和估计感兴趣的参数。本文提出了一种受数据融合启发的方法,其中 MNAR 数据集的信息通过与随机缺失(MAR)的辅助数据集的信息来增强。我们展示了在两组互补假设下,即使单独给定任一数据集都无 - 解决 A/B 测试中数据训练循环引起的干扰问题:加权训练方法
我们引入了一种称为加权训练的新方法,通过训练模型预测数据点出现在处理组或对照组的概率,并在模型训练过程中应用加权损失函数,从而解决了现代推荐系统中历史数据训练循环在 A/B 测试中引入的干扰问题,通过模拟研究显示了我们方法的较低偏差和方差。
- 部分指定的因果模拟
依据确定方法的操作条件,使用适当设计的 PARCS 模拟框架,合成基于因果图模型和各种可调参数的数据,进而更全面地检验因果推断。
- KDD使用数据自适应能量距离对高维数据进行强大分类
针对高维低样本数量数据的分类问题,本文提出了一种基于特定设计,没有调整参数并且具有鲁棒性的分类器,并证明在某些一般条件下,在高维低样本数量渐近情况下,分类准确无误。通过广泛的模拟研究和实际数据分析,展示出所提出分类技术相对于几种广泛认可的方 - 非二元治疗与效应的因果概率
本文提供了理论边界,以估算多价治疗和效应的因果概率,并使用模拟研究评估了这些边界对各种数据组合的信息性,以及对实际决策的指导作用。
- 多目标高效贝叶斯优化中的偏好探索
本文提出了一种基于贝叶斯优化和偏好探索的框架,通过实时采用基于成对比较的交互式学习和使用基于学习到的 DM 效用和结果的组合模型的贝叶斯优化来进行昂贵评估实验的优化。通过详细的模拟研究验证了偏好探索策略的表现。
- 推荐系统的对抗性反事实学习和评估
本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法,该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模,并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。
- 基于图距离模拟网络人口
本文提出一种新的模型类别,通过引入基于 Frechet 平均图和控制分布密度的参数,以及基于层级 bayesian 方法的策略,实现多网络数据分析和模拟研究。
- 用于机载避撞系统的深度神经网络压缩
采用深度神经网络及对称损失函数在仿真研究中,实现减少空间复杂度以及提高决策系统的安全性和效率。
- 神经网络估计因果效应的迁移学习
本文提出使用传输学习算法和因果推断理论相结合的方法来估算异质性治疗效应,并在大规模选民说服实验和 MNIST 数据库上进行了模拟研究,结果表明该方法能够以更好的性能和更少的数据使用量超越现有的基准算法。
- 固有分组结构的网络格兰杰因果关系
本研究针对高维网络模型的估计问题,采用 Granger 因果模型框架,利用稀疏边缘和内在节点分组结构的假设,引入削减版本的 Group Lasso 估计器,发现了网络节点之间的 Granger 因果交互作用,并对其稳健性进行了渐近结果的开发 - 通过近似贝叶斯计算推断 SDE 模型
该论文提出一种基于 ABC-MCMC 算法的贝叶斯推断方法,用于在具有随机性系统中求解高维随机微分方程。研究重点在于描述了状态空间模型的 SDE,并提供了 MATLAB 软件包来实现算法的仿真研究结果。
- 双组分混合模型的估计及其在多重检验中的应用
基于形状约束函数估计的思路,本文提出了一种估计混合比例和未知分布的方法,研究了其一致性和收敛速率,开发了自动化的无分布有保证的混合比例置信下限估计方法,并分析了在天文与微阵列实验中的应用。
- 组稀疏性的益处
本文提出了一个基于强群体稀疏概念的群体 Lasso 理论。研究结果表明,群组 Lasso 对于强群体稀疏信号优于标准的 Lasso,这为在基础群组结构与数据一致时使用群体稀疏正则化提供了有力的理论证明。此外,理论预测了群体 Lasso 公式