University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Forecasting Revenue with its Customer-Base Drivers: When and Why Coordination Helps

基于客户群驱动因素的收入预测：协同何时及为何有帮助

Kyeongbin Kim, Daniel McCarthy, Dokyun Lee

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学） ； Boston University（波士顿大学） 纠错

AI总结 该研究针对收入预测无法拆解驱动因素的问题，开发CBMT模型，利用966家公司数据验证其准确性优于多数基准，发现客户群协同变动强时联合预测更有效，同时指出高波动下模型优势缩小。

Bridging Prediction and Attribution: Identifying Forward and Backward Causal Influence Ranges Using Assimilative Causal Inference

连接预测与归因：利用同化因果推理识别正向与反向因果影响范围

Marios Andreou, Nan Chen

机构 * Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系） 纠错

AI总结 本文利用同化因果推理，构建正向与反向因果影响范围的数学公式，提出客观鲁棒的度量与高效近似算法，为探测复杂动力学系统提供新方法，在地球系统等领域具应用价值。

Comments 66 pages (Main Text pp. 3--36; Appendix pp. 36--57), 11 figures (1 Graphical Abstract, 8 in Main Text, 2 in Appendix). Submitted for peer-review to Physica D: Nonlinear Phenomena. The MATLAB code used in the analyses and to generate the figures in this work can be found in https://github.com/marandmath/FBCIR_code . For further details visit https://mariosandreou.short.gy/FBCIR