1,720,979 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Deep State Space Recurrent Neural Networks for Time Series Forecasting
Get PDFWe explore various neural network architectures for modeling the dynamics of the cryptocurrency market. Traditional linear models often fall short in accurately capturing the unique and complex dynamics of this market. In contrast, Deep Neural Networks (DNNs) have demonstrated considerable proficiency in time series forecasting. This papers introduces novel neural network framework that blend the principles of econometric state space models with the dynamic capabilities of Recurrent Neural Networks (RNNs). We propose state space models using Long Short Term Memory (LSTM), Gated Residual Units (GRU) and Temporal Kolmogorov-Arnold Networks (TKANs). According to the results, TKANs, inspired by Kolmogorov-Arnold Networks (KANs) and LSTM, demonstrate promising outcomes
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
Contributions aux méthodes économétriques et d'apprentissage profond pour la prévision de séries temporelles
No full textThis thesis, structured in four distinct parts, contributes to enriching the fields of deep learning and nonlinear econometrics. Traditional models have often shown weaknesses in capturing the nonlinear behaviors and regime shifts characteristic of digital assets. This thesis focuses on improving the prediction of returns and volatility of this new asset class through the development of new neural network architectures and innovative methodologies. In a first part, we introduce Temporal Kolmogorov-Arnold Networks (TKANs) as well as a new transformer-based architecture (TKAT) based on TKANs for time series forecasting. These models integrate memory management and attention mechanism to capture the complex dynamics of financial markets. Our results show that TKAN and TKAT outperform traditional recurrent models (LSTM, GRU) in terms of stability and prediction accuracy, particularly over longer time horizons. The second part proposes a new approach for modeling market regimes using recurrent neural networks and new Markov-Switching GARCH dynamics. This former approach allows to detect market regimes and estimate transition probabilities between different states. The results show a significant improvement in the detection and prediction of market regimes compared to traditional models.The latter models define new meaningful MS-GARCH specifications and convenient simulation-based estimations procedures.In the third part, we explore the use of signatures for portfolio construction. A signature-based classification method is developed to select the most representative assets of each cluster, thus improving the risk-return ratio. Portfolios built with this methodology show superior performances compared to standard portfolios. The last part of this thesis addresses volatility modeling and anomaly detection. We propose a new LSTM layer, the Attention Free Long Short-Term Memory (AF-LSTM), for volatility prediction. This new layer shows superior predictive performances compared to the original version. For anomaly detection, a conditional autoencoder (AF-CAE) is introduced, providing better anomaly detection, reducing false positives. This thesis proposes several contributions in the field of time series prediction; the results demonstrate improvements in terms of accuracy and robustness, opening new perspectives for the modeling and management of financial assets.Cette thèse, structurée en quatre parties distinctes, contribue à enrichir les domaines de l'apprentissage profond et de l'économétrie non linéaire. Les modèles traditionnels ont souvent montré des faiblesses pour capturer les comportements non linéaires et les changements de régime caractéristiques des actifs numériques. Cette thèse se concentre sur l'amélioration de la prédiction des rendements et de la volatilité de cette nouvelle classe d'actifs à travers le développement de nouvelles architectures de réseaux de neurones et de méthodologies innovantes. Dans une première partie, nous introduisons les réseaux de Kolmogorov-Arnold temporels (TKAN) ainsi qu'une nouvelle architecture de type transformer (TKAT) reposant sur les TKAN pour la prévision des séries temporelles. Ces modèles intègrent la gestion de la mémoire et le mécanisme d'attention pour capturer les dynamiques complexes des marchés financiers. Nos résultats montrent que le TKAN et le TKAT surpassent les modèles récurrents traditionnels (LSTM, GRU) en termes de stabilité et de précision de prédiction, particulièrement sur des horizons de temps plus longs. La deuxième partie propose une nouvelle approche de modélisation des régimes de marché à l'aide de réseaux de neurones récurrents et des nouveaux modèles GARCH à changements de régimes Markoviens. La première approche permet de détecter les régimes de marché et d'estimer les probabilités de transition entre les différents états. Les résultats montrent une amélioration significative dans la détection et la prédiction des régimes de marché par rapport aux modèles traditionnels.Dans la seconde famille de modèles, de nouvelles spécifications de type MS-GARCH sont définies; des procédures d'inférence statistique par simulation sont proposées et testées.Dans la troisième partie, nous explorons l'utilisation des signatures pour la construction de portefeuilles. Une méthode de classification basée sur les signatures est développée pour sélectionner les actifs les plus représentatifs de chaque cluster, améliorant ainsi le ratio rendement-risque. Les portefeuilles construits avec cette méthodologie montrent des performances supérieures par rapport aux portefeuilles standards. La dernière partie de cette thèse aborde la modélisation de la volatilité et la détection des anomalies. Nous proposons une nouvelle couche LSTM, l'Attention Free Long Short-Term Memory (AF-LSTM), pour la prédiction de la volatilité. Cette nouvelle couche montre des performances prédictives supérieures à la version originale. Pour la détection des anomalies, un auto-encodeur conditionnel (AF-CAE) est introduit, offrant une meilleure détection des anomalies, réduisant les faux positifs. Cette thèse propose plusieurs contributions dans le domaine de la prédiction des séries temporelles les résultats démontrent des améliorations en termes de précision et de robustesse, ouvrant de nouvelles perspectives pour la modélisation et la gestion des actifs financiers
Contributions aux méthodes économétriques et d'apprentissage profond pour la prévision de séries temporelles
No full textThis thesis, structured in four distinct parts, contributes to enriching the fields of deep learning and nonlinear econometrics. Traditional models have often shown weaknesses in capturing the nonlinear behaviors and regime shifts characteristic of digital assets. This thesis focuses on improving the prediction of returns and volatility of this new asset class through the development of new neural network architectures and innovative methodologies. In a first part, we introduce Temporal Kolmogorov-Arnold Networks (TKANs) as well as a new transformer-based architecture (TKAT) based on TKANs for time series forecasting. These models integrate memory management and attention mechanism to capture the complex dynamics of financial markets. Our results show that TKAN and TKAT outperform traditional recurrent models (LSTM, GRU) in terms of stability and prediction accuracy, particularly over longer time horizons. The second part proposes a new approach for modeling market regimes using recurrent neural networks and new Markov-Switching GARCH dynamics. This former approach allows to detect market regimes and estimate transition probabilities between different states. The results show a significant improvement in the detection and prediction of market regimes compared to traditional models.The latter models define new meaningful MS-GARCH specifications and convenient simulation-based estimations procedures.In the third part, we explore the use of signatures for portfolio construction. A signature-based classification method is developed to select the most representative assets of each cluster, thus improving the risk-return ratio. Portfolios built with this methodology show superior performances compared to standard portfolios. The last part of this thesis addresses volatility modeling and anomaly detection. We propose a new LSTM layer, the Attention Free Long Short-Term Memory (AF-LSTM), for volatility prediction. This new layer shows superior predictive performances compared to the original version. For anomaly detection, a conditional autoencoder (AF-CAE) is introduced, providing better anomaly detection, reducing false positives. This thesis proposes several contributions in the field of time series prediction; the results demonstrate improvements in terms of accuracy and robustness, opening new perspectives for the modeling and management of financial assets.Cette thèse, structurée en quatre parties distinctes, contribue à enrichir les domaines de l'apprentissage profond et de l'économétrie non linéaire. Les modèles traditionnels ont souvent montré des faiblesses pour capturer les comportements non linéaires et les changements de régime caractéristiques des actifs numériques. Cette thèse se concentre sur l'amélioration de la prédiction des rendements et de la volatilité de cette nouvelle classe d'actifs à travers le développement de nouvelles architectures de réseaux de neurones et de méthodologies innovantes. Dans une première partie, nous introduisons les réseaux de Kolmogorov-Arnold temporels (TKAN) ainsi qu'une nouvelle architecture de type transformer (TKAT) reposant sur les TKAN pour la prévision des séries temporelles. Ces modèles intègrent la gestion de la mémoire et le mécanisme d'attention pour capturer les dynamiques complexes des marchés financiers. Nos résultats montrent que le TKAN et le TKAT surpassent les modèles récurrents traditionnels (LSTM, GRU) en termes de stabilité et de précision de prédiction, particulièrement sur des horizons de temps plus longs. La deuxième partie propose une nouvelle approche de modélisation des régimes de marché à l'aide de réseaux de neurones récurrents et des nouveaux modèles GARCH à changements de régimes Markoviens. La première approche permet de détecter les régimes de marché et d'estimer les probabilités de transition entre les différents états. Les résultats montrent une amélioration significative dans la détection et la prédiction des régimes de marché par rapport aux modèles traditionnels.Dans la seconde famille de modèles, de nouvelles spécifications de type MS-GARCH sont définies; des procédures d'inférence statistique par simulation sont proposées et testées.Dans la troisième partie, nous explorons l'utilisation des signatures pour la construction de portefeuilles. Une méthode de classification basée sur les signatures est développée pour sélectionner les actifs les plus représentatifs de chaque cluster, améliorant ainsi le ratio rendement-risque. Les portefeuilles construits avec cette méthodologie montrent des performances supérieures par rapport aux portefeuilles standards. La dernière partie de cette thèse aborde la modélisation de la volatilité et la détection des anomalies. Nous proposons une nouvelle couche LSTM, l'Attention Free Long Short-Term Memory (AF-LSTM), pour la prédiction de la volatilité. Cette nouvelle couche montre des performances prédictives supérieures à la version originale. Pour la détection des anomalies, un auto-encodeur conditionnel (AF-CAE) est introduit, offrant une meilleure détection des anomalies, réduisant les faux positifs. Cette thèse propose plusieurs contributions dans le domaine de la prédiction des séries temporelles les résultats démontrent des améliorations en termes de précision et de robustesse, ouvrant de nouvelles perspectives pour la modélisation et la gestion des actifs financiers
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
- …
