Economic efficiency of mobile latent heat storages

In a pilot project an optimized mobile latent heat storage based on a system available on the market has been tested at Fraunhofer Institute for Environmental, Safety and Energy Technology. Initially trials were conducted with the aim of optimizing the process of charging and discharging. A specifically constructed test rig at the incineration trials centre at the institute allowed charging and discharging procedures of the mobile latent heat storage with adjustable parameters. In addition an evaluation model was constructed to further optimize the heat exchanger systems. In conclusion the prototype of the mobile latent heat storage was tested in practical operation. The economic and technical feasibility of heat transportation was shown if not utilized waste heat is available. © 2014 The Authors.

Many Facet, Common Latent Trait Polytomous IRT Model and EM Algorithm

2000 Mathematics Subject Classification: 91E45.

Semi-supervised Gaussian process latent variable model with pairwise constraints

In machine learning, Gaussian process latent variable model (GP-LVM) has been extensively applied in the field of unsupervised dimensionality reduction. When some supervised information, e.g., pairwise constraints or labels of the data, is available, the traditional GP-LVM cannot directly utilize such supervised information to improve the performance of dimensionality reduction. In this case, it is necessary to modify the traditional GP-LVM to make it capable of handing the supervised or semi-supervised learning tasks. For this purpose, we propose a new semi-supervised GP-LVM framework under the pairwise constraints. Through transferring the pairwise constraints in the observed space to the latent space, the constrained priori information on the latent variables can be obtained. Under this constrained priori, the latent variables are optimized by the maximum a posteriori (MAP) algorithm. The effectiveness of the proposed algorithm is demonstrated with experiments on a variety of data sets. © 2010 Elsevier B.V.

A kockázat mint látens fogalom (Risk - A latent concept)

A kockázat statisztikai értelemben közvetlenül nem mérhető, azaz látens fogalom éppen úgy, mint a gazdasági fejlettség, a szervezettség vagy az intelligencia. Mi bennünk a közös? A kockázat is komplex fogalom, több mérhető tényezőt foglal magában, és bár sok tényezőjét mérjük, fel sem tételezzük, hogy pontos eredményt kapunk. Ebben a megközelítésben az elemző kezdettől fogva tudja, hogy hiányos az ismerete. Ezt Bélyácz [2011[ nyomán úgy is megfogalmazhatjuk: „A statisztikusok tudják, hogy valamit éppen nem tudnak.” / === / From statistical point of view risk, like economic development is a latent concept. Typically there is no one number which can explicitly estimate or project risk. Variance is used as a proxy in finance to measure risk. Other professions are using other concepts for risk. Underwriting is the most important step in insurance business to analyse exposure. Actuaries evaluate average claim size and the probability of claim to calculate risk. Bayesian credibility can be used to calculate insurance premium combining frequencies and empirical knowledge, as a prior. Different types of risks can be classified into a risk matrix to separate insurable risk. Only this category can be analysed by multivariate statistical methods, which are based on statistical data. Sample size and frequency of events are relevant not only in insurance, but in pension and investment decisions as well.

Controls on sensible heat and latent energy fluxes from a short-hydroperiod Florida Everglades marsh

Little is known of energy balance in low latitude wetlands where there is a year-round growing season and a climate best defined by wet and dry seasons. The Florida Everglades is a highly managed and extensive subtropical wetland that exerts a substantial influence on the hydrology and climate of the south Florida region. However, the effects of seasonality and active water management on energy balance in the Everglades ecosystem are poorly understood. An eddy covariance and micrometeorological tower was established in a short-hydroperiod Everglades marsh to examine the dominant environmental controls on sensible heat (H) and latent energy (LE) fluxes, as well as the effects of seasonality on these parameters. Seasonality differentially affected H and LE fluxes in this marsh, such that H was principally dominant in the dry season and LE was strongly dominant in the wet season. The Bowen ratio was high for much of the dry season (1.5–2.4), but relatively low (H and LE fluxes across nearly all seasons and years (). However, the 2009 dry season LE data were not consistent with this relationship () because of low seasonal variation in LE following a prolonged end to the previous wet season. In addition to net radiation, H and LE fluxes were significantly related to soil volumetric water content (VWC), water depth, air temperature, and occasionally vapor pressure deficit. Given that VWC and water depth were determined in part by water management decisions, it is clear that human actions have the ability to influence the mode of energy dissipation from this ecosystem. Impending modifications to water management under the Comprehensive Everglades Restoration Plan may shift the dominant turbulent flux from this ecosystem further toward LE, and this change will likely affect local hydrology and climate.

Adherence to latent tuberculosis treatment among immigrants in low endemic settings : a scoping review

Contexte : En dépit du fait que la tuberculose est un problème de santé publique important dans les pays en voie de développement, les pays occidentaux doivent faire face à des taux d'infection important chez certaines populations immigrantes. Le risque de développer la TB active est 10% plus élevé chez les personnes atteintes de TB latente si elles ne reçoivent pas de traitement adéquat. La détection et le traitement opportun de la TB latente sont non seulement nécessaires pour préserver la santé de l'individu atteint mais aussi pour réduire le fardeau socio- économique et sanitaire du pays hôte. Les taux d'observance des traitements préventifs de TB latente sont faibles et une solution efficace à ce problème est requise pour contrôler la prévalence de l'infection. L'objectif de ce mémoire est d'identifier les facteurs qui contribuent à l'observance thérapeutique des traitements de TB latente auprès de nouveaux arrivants dans les pays occidentaux où les taux endémiques sont faibles. Méthodologie : Une revue systématique a été effectuée à partir de bases de données et répertoires scientifiques reconnus tels Medline, Medline in Process, Embase, Global Health, Cumulative Index to Nursing, le CINAHL et la librairie Cochrane pour en citer quelques un. Les études recensées ont été publiées après 1997 en français, en anglais, conduites auprès de populations immigrantes de l'occident (Canada, Etats-Unis, Europe, Royaume-Uni, Australie et la Nouvelle Zélande) dont le statut socio-économique est homogène. Résultats : Au total, neuf (9) études réalisées aux Etats-Unis sur des immigrants originaires de différents pays où la TB est endémique ont été analysées: deux (2) études qualitatives ethnographiques, six (6) quantitatives observationnelles et une (1) quantitative interventionnelle. Les facteurs sociodémographiques, les caractéristiques individuelles, familiales, ainsi que des déterminants liés à l'accès et à la prestation des services et soins de santé, ont été analysés pour identifier des facteurs d'observance thérapeutique. L'âge, le nombre d'années passées dans le pays hôte, le sexe, le statut civil, l'emploi, le pays d'origine, le soutien familiale et les effets secondaires et indésirables du traitement de la TB ne sont pas des facteurs ii déterminants de l'adhésion au traitement préventif. Toutefois, l’accès à l'information et de l'éducation adaptées aux langues et cultures des populations immigrantes, sur la TB et des objectifs de traitement explicites, l'offre de plan de traitement plus court et mieux tolérés, un environnement stable, un encadrement et l'adhésion au suivi médical par des prestataires motivés ont émergés comme des déterminants d'observance thérapeutique. Conclusion et recommandation : Le manque d'observance thérapeutique du traitement de la TB latente (LTBI) par des populations immigrantes, qui sont déjà aux prises avec des difficultés d'intégration, de communication et économique, est un facteur de risque pour les pays occidentaux où les taux endémiques de TB sont faibles. Les résultats de notre étude suggèrent que des interventions adaptées, un suivi individuel, un encadrement clinique et des plans de traitement plus courts, peuvent grandement améliorer les taux d'observance et d'adhésion aux traitements préventifs, devenant ainsi un investissement pertinent pour les pays hôtes.

New Advancements of Scalable Statistical Methods for Learning Latent Structures in Big Data

Constant technology advances have caused data explosion in recent years. Accord- ingly modern statistical and machine learning methods must be adapted to deal with complex and heterogeneous data types. This phenomenon is particularly true for an- alyzing biological data. For example DNA sequence data can be viewed as categorical variables with each nucleotide taking four different categories. The gene expression data, depending on the quantitative technology, could be continuous numbers or counts. With the advancement of high-throughput technology, the abundance of such data becomes unprecedentedly rich. Therefore efficient statistical approaches are crucial in this big data era.

Previous statistical methods for big data often aim to find low dimensional struc- tures in the observed data. For example in a factor analysis model a latent Gaussian distributed multivariate vector is assumed. With this assumption a factor model produces a low rank estimation of the covariance of the observed variables. Another example is the latent Dirichlet allocation model for documents. The mixture pro- portions of topics, represented by a Dirichlet distributed variable, is assumed. This dissertation proposes several novel extensions to the previous statistical methods that are developed to address challenges in big data. Those novel methods are applied in multiple real world applications including construction of condition specific gene co-expression networks, estimating shared topics among newsgroups, analysis of pro- moter sequences, analysis of political-economics risk data and estimating population structure from genotype data.

Latent Space and Social Psychological Models of Diffusion

The problem of social diffusion has animated sociological thinking on topics ranging from the spread of an idea, an innovation or a disease, to the foundations of collective behavior and political polarization. While network diffusion has been a productive metaphor, the reality of diffusion processes is often muddier. Ideas and innovations diffuse differently from diseases, but, with a few exceptions, the diffusion of ideas and innovations has been modeled under the same assumptions as the diffusion of disease. In this dissertation, I develop two new diffusion models for "socially meaningful" contagions that address two of the most significant problems with current diffusion models: (1) that contagions can only spread along observed ties, and (2) that contagions do not change as they spread between people. I augment insights from these statistical and simulation models with an analysis of an empirical case of diffusion - the use of enterprise collaboration software in a large technology company. I focus the empirical study on when people abandon innovations, a crucial, and understudied aspect of the diffusion of innovations. Using timestamped posts, I analyze when people abandon software to a high degree of detail.

To address the first problem, I suggest a latent space diffusion model. Rather than treating ties as stable conduits for information, the latent space diffusion model treats ties as random draws from an underlying social space, and simulates diffusion over the social space. Theoretically, the social space model integrates both actor ties and attributes simultaneously in a single social plane, while incorporating schemas into diffusion processes gives an explicit form to the reciprocal influences that cognition and social environment have on each other. Practically, the latent space diffusion model produces statistically consistent diffusion estimates where using the network alone does not, and the diffusion with schemas model shows that introducing some cognitive processing into diffusion processes changes the rate and ultimate distribution of the spreading information. To address the second problem, I suggest a diffusion model with schemas. Rather than treating information as though it is spread without changes, the schema diffusion model allows people to modify information they receive to fit an underlying mental model of the information before they pass the information to others. Combining the latent space models with a schema notion for actors improves our models for social diffusion both theoretically and practically.

The empirical case study focuses on how the changing value of an innovation, introduced by the innovations' network externalities, influences when people abandon the innovation. In it, I find that people are least likely to abandon an innovation when other people in their neighborhood currently use the software as well. The effect is particularly pronounced for supervisors' current use and number of supervisory team members who currently use the software. This case study not only points to an important process in the diffusion of innovation, but also suggests a new approach -- computerized collaboration systems -- to collecting and analyzing data on organizational processes.

Design of Latent Thermal Energy Storage Systems

This dissertation documents the results of a theoretical and numerical study of time dependent storage of energy by melting a phase change material. The heating is provided along invading lines, which change from single-line invasion to tree-shaped invasion. Chapter 2 identifies the special design feature of distributing energy storage in time-dependent fashion on a territory, when the energy flows by fluid flow from a concentrated source to points (users) distributed equidistantly on the area. The challenge in this chapter is to determine the architecture of distributed energy storage. The chief conclusion is that the finite amount of storage material should be distributed proportionally with the distribution of the flow rate of heating agent arriving on the area. The total time needed by the source stream to ‘invade’ the area is cumulative (the sum of the storage times required at each storage site), and depends on the energy distribution paths and the sequence in which the users are served by the source stream. Chapter 3 shows theoretically that the melting process consists of two phases: “invasion” thermal diffusion along the invading line, which is followed by “consolidation” as heat diffuses perpendicularly to the invading line. This chapter also reports the duration of both phases and the evolution of the melt layer around the invading line during the two-dimensional and three-dimensional invasion. It also shows that the amount of melted material increases in time according to a curve shaped as an S. These theoretical predictions are validated by means of numerical simulations in chapter 4. This chapter also shows that the heat transfer rate density increases (i.e., the S curve becomes steeper) as the complexity and number of degrees of freedom of the structure are increased, in accord with the constructal law. The optimal geometric features of the tree structure are detailed in this chapter. Chapter 5 documents a numerical study of time-dependent melting where the heat transfer is convection dominated, unlike in chapter 3 and 4 where the melting is ruled by pure conduction. In accord with constructal design, the search is for effective heat-flow architectures. The volume-constrained improvement of the designs for heat flow begins with assuming the simplest structure, where a single line serves as heat source. Next, the heat source is endowed with freedom to change its shape as it grows. The objective of the numerical simulations is to discover the geometric features that lead to the fastest melting process. The results show that the heat transfer rate density increases as the complexity and number of degrees of freedom of the structure are increased. Furthermore, the angles between heat invasion lines have a minor effect on the global performance compared to other degrees of freedom: number of branching levels, stem length, and branch lengths. The effect of natural convection in the melt zone is documented.

Bayesian Learning with Dependency Structures via Latent Factors, Mixtures, and Copulas

Bayesian methods offer a flexible and convenient probabilistic learning framework to extract interpretable knowledge from complex and structured data. Such methods can characterize dependencies among multiple levels of hidden variables and share statistical strength across heterogeneous sources. In the first part of this dissertation, we develop two dependent variational inference methods for full posterior approximation in non-conjugate Bayesian models through hierarchical mixture- and copula-based variational proposals, respectively. The proposed methods move beyond the widely used factorized approximation to the posterior and provide generic applicability to a broad class of probabilistic models with minimal model-specific derivations. In the second part of this dissertation, we design probabilistic graphical models to accommodate multimodal data, describe dynamical behaviors and account for task heterogeneity. In particular, the sparse latent factor model is able to reveal common low-dimensional structures from high-dimensional data. We demonstrate the effectiveness of the proposed statistical learning methods on both synthetic and real-world data.

Adherence to latent tuberculosis treatment among immigrants in low endemic settings : a scoping review

Contexte : En dépit du fait que la tuberculose est un problème de santé publique important dans les pays en voie de développement, les pays occidentaux doivent faire face à des taux d'infection important chez certaines populations immigrantes. Le risque de développer la TB active est 10% plus élevé chez les personnes atteintes de TB latente si elles ne reçoivent pas de traitement adéquat. La détection et le traitement opportun de la TB latente sont non seulement nécessaires pour préserver la santé de l'individu atteint mais aussi pour réduire le fardeau socio- économique et sanitaire du pays hôte. Les taux d'observance des traitements préventifs de TB latente sont faibles et une solution efficace à ce problème est requise pour contrôler la prévalence de l'infection. L'objectif de ce mémoire est d'identifier les facteurs qui contribuent à l'observance thérapeutique des traitements de TB latente auprès de nouveaux arrivants dans les pays occidentaux où les taux endémiques sont faibles. Méthodologie : Une revue systématique a été effectuée à partir de bases de données et répertoires scientifiques reconnus tels Medline, Medline in Process, Embase, Global Health, Cumulative Index to Nursing, le CINAHL et la librairie Cochrane pour en citer quelques un. Les études recensées ont été publiées après 1997 en français, en anglais, conduites auprès de populations immigrantes de l'occident (Canada, Etats-Unis, Europe, Royaume-Uni, Australie et la Nouvelle Zélande) dont le statut socio-économique est homogène. Résultats : Au total, neuf (9) études réalisées aux Etats-Unis sur des immigrants originaires de différents pays où la TB est endémique ont été analysées: deux (2) études qualitatives ethnographiques, six (6) quantitatives observationnelles et une (1) quantitative interventionnelle. Les facteurs sociodémographiques, les caractéristiques individuelles, familiales, ainsi que des déterminants liés à l'accès et à la prestation des services et soins de santé, ont été analysés pour identifier des facteurs d'observance thérapeutique. L'âge, le nombre d'années passées dans le pays hôte, le sexe, le statut civil, l'emploi, le pays d'origine, le soutien familiale et les effets secondaires et indésirables du traitement de la TB ne sont pas des facteurs ii déterminants de l'adhésion au traitement préventif. Toutefois, l’accès à l'information et de l'éducation adaptées aux langues et cultures des populations immigrantes, sur la TB et des objectifs de traitement explicites, l'offre de plan de traitement plus court et mieux tolérés, un environnement stable, un encadrement et l'adhésion au suivi médical par des prestataires motivés ont émergés comme des déterminants d'observance thérapeutique. Conclusion et recommandation : Le manque d'observance thérapeutique du traitement de la TB latente (LTBI) par des populations immigrantes, qui sont déjà aux prises avec des difficultés d'intégration, de communication et économique, est un facteur de risque pour les pays occidentaux où les taux endémiques de TB sont faibles. Les résultats de notre étude suggèrent que des interventions adaptées, un suivi individuel, un encadrement clinique et des plans de traitement plus courts, peuvent grandement améliorer les taux d'observance et d'adhésion aux traitements préventifs, devenant ainsi un investissement pertinent pour les pays hôtes.

Oil Market Modelling: A Comparative Analysis of Fundamental and Latent Factor Approaches

We formally compare fundamental factor and latent factor approaches to oil price modelling. Fundamental modelling has a long history in seeking to understand oil price movements, while latent factor modelling has a more recent and limited history, but has gained popularity in other financial markets. The two approaches, though competing, have not formally been compared as to effectiveness. For a range of short- medium- and long-dated WTI oil futures we test a recently proposed five-factor fundamental model and a Principal Component Analysis latent factor model. Our findings demonstrate that there is no discernible difference between the two techniques in a dynamic setting. We conclude that this infers some advantages in adopting the latent factor approach due to the difficulty in determining a well specified fundamental model.

School and Community Screening Shows Malawi, Africa, to Have a High Prevalence of Latent Rheumatic Heart Disease

Rheumatic heart disease (RHD) is the largest cardiac cause of morbidity and mortality in the world's youth. Early detection of RHD through echocardiographic screening in asymptomatic children may identify an early stage of disease, when secondary prophylaxis has the greatest chance of stopping disease progression. Latent RHD signifies echocardiographic evidence of RHD with no known history of acute rheumatic fever and no clinical symptoms.

OBJECTIVE: Determine the prevalence of latent RHD among children ages 5-16 in Lilongwe, Malawi.

DESIGN: This is a cross-sectional study in which children ages 5 through 16 were screened for RHD using echocardiography.

SETTING: Screening was conducted in 3 schools and surrounding communities in the Lilongwe district of Malawi between February and April 2014.

OUTCOME MEASURES: Children were diagnosed as having no, borderline, or definite RHD as defined by World Heart Federation criteria. The primary reader completed offline reads of all studies. A second reader reviewed all of the studies diagnosed as RHD, plus a selection of normal studies. A third reader served as tiebreaker for discordant diagnoses. The distribution of results was compared between gender, location, and age categories using Fisher's exact test.

RESULTS: The prevalence of latent RHD was 3.4% (95% CI = 2.45, 4.31), with 0.7% definite RHD and 2.7% borderline RHD. There was no significant differences in prevalence between gender (P = .44), site (P = .6), urban vs. peri-urban (P = .75), or age (P = .79). Of those with definite RHD, all were diagnosed because of pathologic mitral regurgitation (MR) and 2 morphologic features of the mitral valve. Of those with borderline RHD, most met the criteria by having pathological MR (92.3%).

CONCLUSION: Malawi has a high rate of latent RHD, which is consistent with other results from sub-Saharan Africa. This study strongly supports the need for a RHD prevention and control program in Malawi.

Bayesian nonparametric latent variable models

L’un des problèmes importants en apprentissage automatique est de déterminer la complexité du modèle à apprendre. Une trop grande complexité mène au surapprentissage, ce qui correspond à trouver des structures qui n’existent pas réellement dans les données, tandis qu’une trop faible complexité mène au sous-apprentissage, c’est-à-dire que l’expressivité du modèle est insuffisante pour capturer l’ensemble des structures présentes dans les données. Pour certains modèles probabilistes, la complexité du modèle se traduit par l’introduction d’une ou plusieurs variables cachées dont le rôle est d’expliquer le processus génératif des données. Il existe diverses approches permettant d’identifier le nombre approprié de variables cachées d’un modèle. Cette thèse s’intéresse aux méthodes Bayésiennes nonparamétriques permettant de déterminer le nombre de variables cachées à utiliser ainsi que leur dimensionnalité. La popularisation des statistiques Bayésiennes nonparamétriques au sein de la communauté de l’apprentissage automatique est assez récente. Leur principal attrait vient du fait qu’elles offrent des modèles hautement flexibles et dont la complexité s’ajuste proportionnellement à la quantité de données disponibles. Au cours des dernières années, la recherche sur les méthodes d’apprentissage Bayésiennes nonparamétriques a porté sur trois aspects principaux : la construction de nouveaux modèles, le développement d’algorithmes d’inférence et les applications. Cette thèse présente nos contributions à ces trois sujets de recherches dans le contexte d’apprentissage de modèles à variables cachées. Dans un premier temps, nous introduisons le Pitman-Yor process mixture of Gaussians, un modèle permettant l’apprentissage de mélanges infinis de Gaussiennes. Nous présentons aussi un algorithme d’inférence permettant de découvrir les composantes cachées du modèle que nous évaluons sur deux applications concrètes de robotique. Nos résultats démontrent que l’approche proposée surpasse en performance et en flexibilité les approches classiques d’apprentissage. Dans un deuxième temps, nous proposons l’extended cascading Indian buffet process, un modèle servant de distribution de probabilité a priori sur l’espace des graphes dirigés acycliques. Dans le contexte de réseaux Bayésien, ce prior permet d’identifier à la fois la présence de variables cachées et la structure du réseau parmi celles-ci. Un algorithme d’inférence Monte Carlo par chaîne de Markov est utilisé pour l’évaluation sur des problèmes d’identification de structures et d’estimation de densités. Dans un dernier temps, nous proposons le Indian chefs process, un modèle plus général que l’extended cascading Indian buffet process servant à l’apprentissage de graphes et d’ordres. L’avantage du nouveau modèle est qu’il admet les connections entres les variables observables et qu’il prend en compte l’ordre des variables. Nous présentons un algorithme d’inférence Monte Carlo par chaîne de Markov avec saut réversible permettant l’apprentissage conjoint de graphes et d’ordres. L’évaluation est faite sur des problèmes d’estimations de densité et de test d’indépendance. Ce modèle est le premier modèle Bayésien nonparamétrique permettant d’apprendre des réseaux Bayésiens disposant d’une structure complètement arbitraire.