predictive modeling

4 items

RESEARCHarXiv CS.AI·vor 20Std

Reconstructing and forecasting disease trajectories of patients with Alzheimer's disease using routine data in resource-constrained settings

Diese Forschung zielt darauf ab, Krankheitsverläufe von Alzheimer-Patienten mithilfe von Routinedaten in ressourcenbeschränkten Umgebungen zu rekonstruieren und vorherzusagen. Es wird ein einheitliches Framework für die bidirektionale Vorhersage kognitiver Scores aus unregelmäßigen Besuchen vorgeschlagen, das Interpolation und Extrapolation ermöglicht und kalibrierte Unsicherheitsschätzungen liefert.

forecasting disease progression Alzheimer's disease predictive modeling

RESEARCHarXiv CS.LG·5/8/2026

Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Diese Studie nutzt landesweite longitudinale EHR-Daten aus dem „All of Us“ Forschungsprogramm, um die Diagnose von chronischer Rhinosinusitis (CRS) basierend auf einer zweijährigen vordiagnostischen Historie vorherzusagen. Sie implementiert eine hybride Merkmalsauswahl-Pipeline, um die Datensparsamkeit und Dimensionalität anzugehen, mit dem Ziel, die Einschränkungen einzelinstitutioneller Kohorten zu überwinden und die Verallgemeinerbarkeit auf Bevölkerungsebene zu verbessern.

Healthcare predictive modeling chronic rhinosinusitis medical research

RESEARCHarXiv CS.LG·4/27/2026

When Quotes Crumble: Detecting Transient Mechanical Liquidity Erosion in Limit Order Books

Diese Forschung stellt eine Methode zur Erkennung transienter Liquiditätserosion ("bröckelnde Kurse") in elektronischen Orderbüchern vor, die zwischen mechanischem Liquiditätsentzug und informationeller Neubepreisung unterscheidet. Mithilfe des ABIDES-Simulators für Bodentatsachen wird ein neuronales Modell entwickelt, das regelbasierte Baselines bei der Identifizierung von Erosion unter verschiedenen Marktbedingungen deutlich übertrifft.

neural networks machine learning predictive modeling Financial Markets

RESEARCHarXiv CS.LG·5/4/2026

Smart Ensemble Learning Framework for Predicting Groundwater Heavy Metal Pollution

Diese Studie entwickelt einen prädiktiven Rahmen zur Modellierung des Schwermetall-Verschmutzungsindex (HPI) im Grundwasser, der Antworttransformationen mit verschachteltem kreuzvalidiertem Ensemble-Maschinellem Lernen integriert. Ziel ist es, Herausforderungen durch statistische Komplexität und räumliche Heterogenität von Verunreinigungen zu überwinden, die herkömmliche Vorhersagemethoden beeinflussen.

ensemble learning heavy metal contamination machine learning predictive modeling