Buchumschlag

A new machine learning framework for occupational accidents forecasting with safety inspections integration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yapi, Aho, Latouche, Pierre, Guillin, Arnaud, Bailly, Yan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A step towards the integration of machine learning and classic model-based survey methods
von: Żądło, Tomasz, et al.
Veröffentlicht: (2024)

Causal hybrid modeling with double machine learning
von: Cohrs, Kai-Hendrik, et al.
Veröffentlicht: (2024)

Accounting for multiplicity in machine learning benchmark performance
von: Møllersen, Kajsa, et al.
Veröffentlicht: (2023)

The Deep Latent Position Topic Model for Clustering and Representation of Networks with Textual Edges
von: Boutin, Rémi, et al.
Veröffentlicht: (2023)

Sample size determination for machine learning in medical research
von: Arifin, Wan Nor, et al.
Veröffentlicht: (2025)

Orthogonal machine learning for conditional odds and risk ratios
von: Ge, Jiacheng, et al.
Veröffentlicht: (2026)

Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

Beyond algorithm hyperparameters: on preprocessing hyperparameters and associated pitfalls in machine learning applications
von: Sauer, Christina, et al.
Veröffentlicht: (2024)

Improving reproducibility by controlling random seed stability in machine learning based estimation via bagging
von: Williams, Nicholas, et al.
Veröffentlicht: (2026)

Spatio-temporal modeling and forecasting with Fourier neural operators
von: Nag, Pratik, et al.
Veröffentlicht: (2026)

Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
von: Salvadé, Nicolas, et al.
Veröffentlicht: (2025)

A projected nonlinear state-space model for forecasting time series signals
von: Donner, Christian, et al.
Veröffentlicht: (2023)

Stability of clinical prediction models developed using statistical or machine learning methods
von: Riley, Richard D, et al.
Veröffentlicht: (2022)

Online detection of forecast model inadequacies using forecast errors
von: Grundy, Thomas, et al.
Veröffentlicht: (2025)

Importance sampling for online variational learning
von: Chagneux, Mathis, et al.
Veröffentlicht: (2024)

Adaptive debiased machine learning using data-driven model selection techniques
von: van der Laan, Lars, et al.
Veröffentlicht: (2023)

Spatially-informed transformers: Injecting geostatistical covariance biases into self-attention for spatio-temporal forecasting
von: Calleo, Yuri
Veröffentlicht: (2025)

An adaptive standardisation methodology for Day-Ahead electricity price forecasting
von: Sebastián, Carlos, et al.
Veröffentlicht: (2023)

Generative machine learning methods for multivariate ensemble post-processing
von: Chen, Jieyu, et al.
Veröffentlicht: (2022)

ACS: An interactive framework for conformal selection
von: Gui, Yu, et al.
Veröffentlicht: (2025)

Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference
von: Sebastián, Carlos, et al.
Veröffentlicht: (2024)

I-trustworthy Models. A framework for trustworthiness evaluation of probabilistic classifiers
von: Vashistha, Ritwik, et al.
Veröffentlicht: (2025)

A unified Bayesian framework for interval hypothesis testing in clinical trials
von: Chakraborty, Abhisek, et al.
Veröffentlicht: (2024)

Nature versus nurture in galaxy formation: the effect of environment on star formation with causal machine learning
von: Mucesh, Sunil, et al.
Veröffentlicht: (2024)

An intuitive rearranging of the Yates covariance decomposition for probabilistic verification of forecasts with the Brier score
von: Vieira, Bruno Hebling
Veröffentlicht: (2026)

The Bayesian Context Trees State Space Model for time series modelling and forecasting
von: Papageorgiou, Ioannis, et al.
Veröffentlicht: (2023)

A variational inference framework for inverse problems
von: Maestrini, Luca, et al.
Veröffentlicht: (2021)

Robust non-parametric mortality and fertility modelling and forecasting: Gaussian process regression approaches
von: Lam, Ka Kin, et al.
Veröffentlicht: (2021)

Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
von: Lam, Ka Kin, et al.
Veröffentlicht: (2021)

A new paradigm for global sensitivity analysis
von: Mazo, Gildas
Veröffentlicht: (2024)

Machine learning to optimize precision in the analysis of randomized trials: A journey in pre-specified, yet data-adaptive learning
von: Balzer, Laura B., et al.
Veröffentlicht: (2025)

Transfer Q-learning
von: Chen, Elynn, et al.
Veröffentlicht: (2022)

Estimand framework and intercurrent events handling for clinical trials with time-to-event outcomes
von: Fang, Yixin, et al.
Veröffentlicht: (2025)

Generalized promotion time cure model: A new modeling framework to identify cell-type-specific genes and improve survival prognosis
von: Zhao, Zhi, et al.
Veröffentlicht: (2025)

A semi-supervised learning using over-parameterized regression
von: Hagiwara, Katsuyuki
Veröffentlicht: (2024)

Inference with non-differentiable surrogate loss in a general high-dimensional classification framework
von: Liang, Muxuan, et al.
Veröffentlicht: (2024)

Causal-learn: Causal Discovery in Python
von: Zheng, Yujia, et al.
Veröffentlicht: (2023)

Generalized Bayesian deep reinforcement learning
von: Roy, Shreya Sinha, et al.
Veröffentlicht: (2024)

ReLU integral probability metric and its applications
von: Park, Yuha, et al.
Veröffentlicht: (2025)

Developing synthetic microdata through machine learning for firm-level business surveys
von: Cisneros, Jorge, et al.
Veröffentlicht: (2025)