Nonparametric Estimation in Uniform Deconvolution and Interval Censoring
本文研究均匀去卷积中非参数最大似然估计的渐近行为，揭示 $F_0(1)=1$ 与 $F_0(1)<1$ 的二分法，并通过理论分析与模拟对后者提出并筛选竞争性猜想。
2025-04-23 math.ST stat.TH
Asymptotic confidence sets for the jump curve in bivariate regression problems
本文基于两个单侧核估计的旋转差，构造了光滑图像函数中单个边缘的均匀和逐点渐近置信集。利用M-估计的方法，我们证明了边缘函数的位置、斜率和高度的估计的一致性，并对对比度过程进行了统一的线性化。然后，均匀置信带依赖于分数过程的高斯近似以及高斯过程上确界的反集中结果，而逐点置信带基于渐近正态性。有限样本性能的逐点建议的方法进行了研究，在模拟研究。最后给出了一个实际图像处理的例子。
2019-03-23 math.ST stat.TH
$M$-estimation and deconvolution in a diffusion model with application to biosensor transdermal blood alcohol monitoring
我们开发了$M$ -估计和反卷积方法，其目标是根据对皮肤酒精含量的噪声测量对个体的血液酒精水平进行有根据的统计推断。首先，我们将我们的结果的非线性最小二乘估计的关键参数，指定的血液/皮肤酒精的扩散模型中的关系，并建立其存在性，一致性和渐近正态性。为了对未知的血液酒精曲线进行推断，我们提出了一种基于正则化的基空间反卷积方法，并确定了误差过程的渐近分布，从而使我们能够计算曲线上的均匀置信带。模拟研究表明，我们的曲线估计器和它们的渐近分布在低噪声水平的性能之间的协议，我们将我们的方法应用到一个真正的皮肤酒精数据集通过经皮生物传感器收集。
2023-02-23 stat.AP stat.ME
Local Poisson Deconvolution for Discrete Signals
本研究针对离散信号泊松反卷积问题，提出局部极小极大风险分析方法，揭示信号恢复速率与局部结构的关联，并通过实验验证了方法在超分辨率显微等场景的有效性。
2025-08-01 math.ST stat.ME stat.ML
Fiber Uncertainty Visualization for Bivariate Data With Parametric and Nonparametric Noise Models
本文提出一种统计框架，通过扩展参数与非参数噪声模型并利用格林定理与数值积分，量化双变量场中纤维的位置概率，并通过体绘制实现不确定性可视化。
2022-07-22 cs.GR stat.ME
Uniform Deconvolution for Poisson Point Processes
本文主要研究在均匀噪声背景下泊松过程的强度估计问题。我们提出了一个基于内核的程序完全校准的理论和实践。我们表明，我们的自适应估计是最佳的甲骨文和极大极小的观点，并提供新的下界时，强度属于一个Sobolev球。通过发展的Goldenshluger-Lepski方法的情况下，泊松过程的反卷积，我们提出了一个最佳的数据驱动的核带宽的选择。我们的方法说明了沿人类基因组的复制起点和序列基序的空间分布。
2022-06-28 stat.ME
Non-parametric Quantile Regression and Uniform Inference with Unknown Error Distribution
本文研究了协变量存在未知分布测量误差时的条件分位数回归函数非参数估计与一致推断，提出反卷积核估计量构建一致置信带，并通过模拟与实际数据验证了方法的有效性。
2025-04-02 econ.EM stat.ME
Identifiability, Convergence and Nonparametric Estimation of Bivariate Archimax Copulas
IDA Lab Salzburg, Department for Artificial Intelligence & Human Interfaces（萨尔茨堡智能数据与分析实验室，人工智能与人类接口系）
研究二元Archimax Copulas的可识别性等问题，通过变换生成元和相依函数解决可识别性，利用收敛等价关系构造非参数估计量，证明其强一致性，模拟研究表明CFG型估计量性能优，还给出实际数据应用。
2026-08-13 math.ST stat.TH
Nonparametric estimation of simplified vine copula models: comparison of methods
在过去的十年中，简化的葡萄藤copula模型一直是一个活跃的研究领域。他们从边际密度和二元copula密度的乘积中构建了一个高维概率密度。除了参数模型外，人们还提出了几种对葡萄系Copula函数进行非参数估计的方法。在这篇文章中，我们扩展了这些方法，并在广泛的模拟研究和实际数据应用中进行比较。我们确定了几个因素驱动的相对性能的估计。最重要的是依赖的强度。没有一种方法被认为是一致优于所有其他方法。总体而言，核估计表现最好，但做差于惩罚B样条估计时，有弱的依赖性和没有尾部依赖。
2017-04-05 stat.ME
Uniform confidence bands for nonparametric errors-in-variables regression
本文提出了一种构造预测变量受测量误差影响的非参数回归函数的均匀置信带的方法。我们允许测量误差的分布是未知的，但假设验证数据或重复测量的潜在预测变量的可用性。建议的置信带建立在反卷积核估计和一个新的应用程序的乘数自助法。我们建立了建议的置信带的渐近有效性。据我们所知，这是第一个文件，以获得渐近有效的一致置信带的非参数误差变量回归。
2019-06-13 math.ST stat.TH
Bivariate Frank Copula: Some More Results on Point Estimation of the Association Parameter from a Bayesian Perspective and Revisiting the Goodness of Fit Tests with an Application to Model Groundwater Data from Dong Thap, Vietnam
Faculty of Applied Science, Ho Chi Minh City University of Technology (HCMUT)（胡志明市理工大学应用科学学院）；Vietnam National University Ho Chi Minh City（越南国家大学胡志明市分校）；Faculty of Mathematics and Statistics, Ton Duc Thang University（Ton Duc Thang大学数学与统计学院）
本文从贝叶斯视角探讨双变量Frank积聚函数关联参数点估计，比较不同先验下的估计性能，并重新检验拟合优度检验，应用于越南地下水数据分析。
2026-09-16 stat.AP stat.ME
Honest Confidence Sets in Nonparametric IV Regression and Other Ill-Posed Models
本文发展了计量经济学中一类非常普遍的不适定模型的推导方法，包括非参数工具变量回归，各种函数回归和密度反卷积。我们专注于使用Tikhonov正则化估计的感兴趣参数的均匀置信集，如Darolles，Fan，Florens和Renault（2011）。由于它是不可能的推理方法的基础上的中心极限定理，我们开发了两种替代方法依赖于浓度不等式和自助近似。我们表明，预期的直径和覆盖性能的结果集有统一的有效性，在一个大类的模型，即，构造的置信集是诚实的。蒙特卡罗实验表明，引入的置信集具有合理的宽度和覆盖性能。使用美国的数据，我们为各种商品的恩格尔曲线提供了统一的置信集。
2020-12-19 econ.EM math.ST stat.AP
Nonparametric estimation for Lévy processes from low-frequency observations
我们假设在离散时间点上观察到一个Lévy过程。一个相当一般的最小距离估计的建设，给出了一致的估计的Lévy-Khinchine特征的观测数趋于无穷大，保持观测距离固定。对于一个特定的$C^2$标准，这个估计是速率最优的。与反褶积和反问题的连接进行了解释。证明中的一个关键步骤是对经验特征函数在整条实直线上的偏差进行统一控制。
2008-05-29 math.PR math.ST stat.ME
Test of Bivariate Independence Based on Angular Probability Integral Transform with Emphasis on Circular-Circular and Circular-Linear Data
本文提出利用两变量角概率积分变换之和或差的圆形均匀性检验二元独立性，并通过 NNTS 圆形分布族生成近零假设备择样本评估其功效。
2023-08-01 stat.ME
Nonparametric Kernel Density Estimation for Univariate Curent Status Data
我们得到估计的密度的事件时间的当前状态数据。估计量的情况下，观测时间的分布是已知的，这个分布是未知的。密度估计器是由变换后的当前状态数据的密度的核估计器构造的，其具有类似于均匀反卷积数据的分布。导出了期望和方差的展开式以及渐近正态性。提出了一种基于参考密度的带宽选择方法。最后给出了一个模拟算例。
2017-07-03 math.ST stat.TH
Nonparametric Bayesian Deconvolution of a Symmetric Unimodal Density
我们认为非参数测量误差密度反卷积的异方差测量误差以及对称性的零和形状的限制，特别是单峰。这个问题是由应用程序的动机，其中观察到的数据是估计的效果大小从多个因素的回归，其中的目标是真实的效果大小的分布。我们利用的事实，任何对称和单峰密度可以表示为对称均匀密度的混合，并在一个新的方式使用Dirichlet过程的位置混合的Γ分布模型的混合密度。我们做的贝叶斯上下文中的计算，描述了一个简单的可扩展的实现，是线性的样本量，并表明，未知的目标密度的估计是一致的。在我们的回归效应大小的应用环境中，目标密度可能具有接近零的大概率（接近零效应），以及重尾分布（实际效应）。仿真结果表明，与标准的反卷积方法，我们的约束贝叶斯反卷积方法做了更好的工作的目标密度的重建。基因组关联研究（GWAS）和微阵列数据的应用揭示了类似的结果。
2020-02-17 stat.ME
De-biased Distribution Estimation for Locally Differential Private Survival Data
The State University of New York (SUNY) at Buffalo（纽约州立大学布法罗分校）；National Chengchi University（国立政治大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对局部差分隐私生存数据的分布扭曲问题，提出基于反卷积核函数的非参数去偏估计量，经理论与实验验证，该估计量可在保证隐私的同时实现生存函数的有效推断。
2026-10-14 stat.ME stat.ML
Isotonic regression with unknown permutations: Statistics, computation, and adaptation
Georgia Institute of Technology（佐治亚理工学院）；University of Cambridge（剑桥大学）
出于多路比较数据的模型，我们考虑的问题，估计一个坐标明智的保序函数的域$[0, 1]^d$从噪声观测收集到的均匀晶格，但设计点已沿每个维度排列。虽然这个问题的单变量和双变量的版本已经得到了显着的关注，我们的重点是多变量的情况下$d \geq 3$。我们研究了极大极小风险估计（在经验$L_2$损失）和适应（量化的自适应指数）的基本限制，一个家庭的分段常数函数。我们提供了一个计算效率高的Mirsky分区估计，是最小最大最优的，同时也实现了最小的自适应指数可能的多项式时间的程序。因此，从最坏情况的角度来看，与二元情况形成鲜明对比的是，模型中的潜在排列不会在香草保序回归之上引入显著的计算困难。另一方面，适应的基本限制在有和没有未知排列的情况下是显着不同的：假设平均情况复杂性理论的硬度猜想，在前一种情况下出现了计算-计算差距。在一个互补的方向，我们表明，现有的估计自然修改未能满足至少一个最佳的最坏情况下的统计性能，计算效率，快速适应的desiderata。沿着显示我们的结果的方式，我们改进了自适应结果在特殊情况下$d = 2$和建立香草保序回归估计的一些性质，这两个可能是独立的利益。
2021-06-24 cs.IT cs.LG math.IT
Inference for concave distribution functions under measurement error
University of Bergamo（贝加莫大学）；Université Paris Nanterre（巴黎南泰尔大学）
本文提出了一种在测量误差下估计凹分布函数的方法，并构造了检验凹性假设的非参数检验，通过理论分析和模拟研究验证了其有效性。
2026-03-01 math.ST stat.TH
Conformal Blindness: A Note on $A$-Cryptic change-points
本文探讨了 conformal blindness 现象，通过构造示例展示了 A-cryptic change-point 的可能性，并指出 ctm 在面对分布转移时的局限性。
2026-01-22 cs.LG stat.ML
Quasi-Bayesian sequential deconvolution
University of Torino（都灵大学）；Collegio Carlo Alberto（卡罗阿尔贝托学院）；Bocconi University（博科尼大学）
针对流式数据密度反卷积的计算瓶颈，提出基于牛顿递归算法的准贝叶斯非参数序列反卷积方法，兼具精度与计算优势，可扩展至大规模数据。
2026-08-10 stat.ME stat.ML
Factor-Assisted Density Estimation: When Ambient Dimension Enables Oracle Rates
Duke University（杜克大学）
该研究针对高维因子模型的密度估计问题，提出因子辅助密度估计（FADE）方法，证明其在足够高的环境维度下可达到神谕速率，确立了其速率最优性，证实了环境维度的优势。
2026-10-16 math.ST stat.TH
