A New Family of Generalized Distributions, with Applications and Benchmarking against Machine Learning Models
Notice bibliographique
Résumé
In this study, we introduce a new family of generalized distributions using the Lomax tangent generalized transformation. We derive the general formulas for its cumulative distribution function (CDF) and probability density function (PDF). As a specific sub-model, we construct the new generalized Lomax tangent transformed exponential (NGLTGE) distribution by using the exponential distribution as the baseline. We investigate the model’s key mathematical properties and conduct a Monte Carlo simulation, which confirms that the estimators exhibit good asymptotic behavior. A group acceptance sampling plan is also designed to demonstrate its utility in quality control. The NGLTGE model is then applied to real-world datasets from cryptocurrency, COVID-19, and breast cancer, where it consistently provides a superior statistical fit compared to related distributions. Finally, we apply the NGLTGE distribution within a machine learning framework using a PyTorch maximum likelihood estimation. The model’s predictive performance is found to be competitive with, and in some cases superior to, state-of-the-art machine learning density estimators like the Log-Gaussian Mixture Model (Log-GMM) and Masked Autoregressive Flow (MAF), especially for data with heavy tails. This work positions the NGLTGE distribution as a valuable, interpretable, and scalable model for both classic statistical and modern data science applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».