Modelling and simulating spatial extremes by combining extreme value theory with generative adversarial networks
气候极端事件之间的依赖关系建模对于气候风险评估非常重要，例如在分配应急管理资金时。在统计学中，多变量极值理论经常被用来建模空间极值。然而，大多数常用的方法需要强有力的假设，并且过于简单化或过度参数化。从机器学习的角度来看，生成对抗网络（GANs）是在高维空间中建模依赖关系的强大工具。然而，在标准设置中，GANs并不能很好地表示极端情况下的依赖关系。在这里，我们将GANs与极值理论（evtGAN）相结合，对西欧大部分地区夏季最大温度和冬季最大降水的空间依赖性进行建模。我们使用的数据从一个固定的2000年气候模式模拟验证的方法，并探讨其灵敏度小样本量。我们的研究结果表明，evtGAN优于经典的GANs和标准的统计方法来模拟空间极值。我们已经有了大约50年的数据，这些数据与通常可用的气候记录相对应，我们获得了相当好的表现。在一般情况下，温度极值之间的依赖关系，更好地捕捉比降水极值之间的依赖关系，由于在温度场的高空间相干性。我们的方法可以应用于其他气候变量，并可用于模拟气候模型时，运行很长的模拟，以确定极端的依赖关系被认为是不可行的。
2022-01-19 stat.AP stat.ML
Extreme-value modelling for the significance assessment of periodogram peaks
我提出了一个新的程序来估计虚警概率，周期图的峰值的显着性的措施。新程序的关键要素是使用广义极值分布，最连续分布的变量的最大值的极限分布。这种技术允许可靠地外推到多个假设检验所需的非常高的概率水平，并能够推导出估计水平的置信区间。估计是稳定的，对偏离分布的假设，否则通常是关于观测本身或关于理论的单变量分布的周期图。模拟和两个多模式变星从斯隆数字巡天条纹82的质量和性能的程序证明。
2012-12-04 astro-ph.IM stat.AP
Extreme event propagation using counterfactual theory and vine copulas
了解多元极端事件在管理复杂系统的风险方面发挥着至关重要的作用，因为极端事件是由其自身的机制控制的。以给定变量超过高阈值为条件（例如\交通强度），了解哪些高影响量（例如空气污染物水平）在未来最有可能达到极限是关键。本文研究了边际极端事件对相关量的未来极端事件的贡献。我们提出了一个极端事件传播框架，以最大限度地提高已知原因和未来高影响量之间的反事实因果关系概率。极值理论提供了一个工具，用于模拟上尾，而藤连接是一个灵活的设备，用于捕捉各种各样的联合极值行为。我们优化了因果关系的概率，并将我们的框架应用于伦敦道路交通和空气污染物数据集。我们复制记录的大气机制超越线性关系。这提供了一个新的工具，用于量化极端的传播在各种各样的应用。
2021-06-25 stat.ME stat.OT
Modelling non-stationary extremes of storm severity: a tale of two approaches
适应非平稳性的极端值模型已经从参数的角度进行了充分的研究和评价。虽然这些模型是灵活的，在这个意义上，许多参数化可以探索，他们假设一个渐近分布作为适当的适合从尾部的观察。本文提供了一个整体的方法来建模的非平稳极端事件参数和半参数的方法之间的迭代，从而提供了一个自动的过程来估计一个移动的阈值相对于一个周期性的协变量在循环数据。通过利用每种方法的优点和减少陷阱，提供了一个统一的框架作为估计极端分位数的骨干，包括$T$ -年水平和有限右端点，旨在优化偏差方差权衡。为此，引入了两个调谐参数相关的峰值超过阈值的扩展。我们提供了指导应用的方法，在北海记录的后报风暴峰值显着波高的方向建模。虽然著名的估计量的适应性的理论基础，在统计的极端循环数据给出了一些详细的推导，其渐近性质超出了本文的范围。一个引导技术实现方向驱动的置信界限，以这样一种方式，以占相关的边界限制与初始点的敏感性最小。这为分析方向极值非常重要的其他应用提供了模板。
2020-05-27 physics.ao-ph stat.AP
Flexible Tails for Normalising Flows, with Application to the Modelling of Financial Return Data
University of Bristol（布里斯托大学）
本文提出一种基于极值理论的尾部变换层，将其嵌入归一化流以建模多元重尾分布，并应用于金融收益数据，可直接生成含极端冲击的合成收益集。
2023-11-01 cs.LG stat.ML
Regression modelling of spatiotemporal extreme U.S. wildfires via partially-interpretable neural networks
School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）；Statistics Program, Computer, Electrical and Mathematical Sciences and Engineering (CEMSE) Division, King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学计算机、电气与数学科学与工程（CEMSE）分部统计项目）
针对美国极端野火风险量化需求，提出结合线性/加性回归与深度学习的部分可解释神经网络及新型极值点过程模型，在高维野火数据上预测性能显著优于传统回归方法。
2024-03-07 cs.LG stat.ME stat.ML
Spatial modeling of extremes and an angular component
针对兼具空间性与方向信息的环境极值问题，本文提出含条件独立性假设的贝叶斯层次模型，结合极值理论与连续域方向统计，用 Gibbs 采样器推断，并通过模拟和法国极端风速应用验证其有效性。
2024-07-03 math.ST stat.ME stat.TH
A framework for statistical modelling of the extremes of longitudinal data, applied to elite swimming
本文提出基于极值理论和贝叶斯推断的纵向数据尾部建模框架，用于刻画短时间序列间的共性、时间演变和序列内依赖，并应用于精英游泳运动员职业生涯概率推断。
2023-06-21 math.ST stat.AP stat.ME
Nonstationary POT modelling of air pollution concentrations: Statistical analysis of the traffic and meteorological impact
预测超过某一临界水平的高空气污染浓度的发生、水平和持续时间，使研究人员能够研究道路交通对当地空气质量的健康影响，并为公共政策行动提供信息。由于涉及复杂的物理和化学过程，对极端浓度的发生概率和水平进行精确估计是非常困难的。这就说明有必要开发复杂的极值模型，特别是考虑到环境时间序列的非平稳性。本文用两种模式研究了氮氧化物（NO）、二氧化氮（NO $_2$）和臭氧（O $_3$）浓度的极值。模型I基于A. C. Davison和R. L. Smith，由此将潜在的广义帕累托分布（GPD）的参数视为协变量的函数（即，交通和气象因素）。新模型II通过构造GPD参数的特殊函数形式解决了Davison-Smith模型中阈值稳定性的缺乏。对于每一个模型，利用马尔可夫链蒙特卡罗方法估计了交通和气象因素对极值频率和极值大小的影响。最后，适当的拟合优度测试和模型选择标准证实，模型II显着优于模型I的估计和预测的极端。
2017-05-29 stat.AP
Extreme Value Analysis of Solar Flare Events
太阳耀斑等空间天气事件可能对地球或近地轨道上的生命和基础设施造成危害。在本文中，我们采用极值理论（EVT）来模拟极端的太阳耀斑事件; EVT提供了适当的工具，用于研究和估计外推到已经观察到的范围之外的概率。在过去，这种现象被建模为遵循幂律，这可能会由于高估而对此类事件做出较差的估计。研究中使用的数据是来自NOAA/GOES的X射线通量，并计算了卡林顿或万圣节等事件的预期回报水平，其结果是现有数据预测类似事件分别发生在110年和38年。
2018-02-16 astro-ph.SR physics.data-an physics.space-ph
Multivariate stable distributions and their applications for modelling cryptocurrency-returns
在本文中，我们将已知的拟合稳定分布的方法扩展到多变量情况，并将建议的方法应用于每日加密货币收益数据的建模。将调查的时间段分为10个不重叠的部分，因此也可以观察到变化。我们应用自举检验来检查模型，并将我们的方法与更传统的极值和Copula模型进行比较。
2018-10-22 q-fin.ST stat.AP
Geometric modelling of spatial extremes
School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院）
本文提出了一种基于几何方法的空间极值建模方法，通过截断伽马分布建模极值半径，并结合径向和角模型估计极值事件概率，验证了其在空间天气数据中的有效性。
2026-02-19 stat.ME
Generative modelling of multivariate geometric extremes using normalising flows
本文提出基于归一化流和超球面几何方法的多元极值生成建模框架，实现全方向联合尾部外推和任意风险区域快速概率估计，并在风速极值与风电相关极端事件分析中验证其有效性。
2025-05-05 stat.ME
Modelling across extremal dependence classes
不同的依赖情景可能会出现在多元极端，需要仔细选择一个适当的模型类。在二元极值中，变量要么是渐近相关的，要么是渐近独立的。大多数可用的统计模型适合这些情况中的一种或另一种，但不是两种情况都适合，导致推断中的一个阶段无法解释，但可能会严重影响随后的外推。现有的建模解决方案，这个问题要么只适用于子域，或呼吁多个极限理论。我们引入了一个统一的表示为双变量的极端，包括各种各样的依赖场景，并适用于当至少有一个变量是大的。我们的代表激励参数模型，包括两个依赖类。我们实现了这个模型的一个简单版本，并表明它在一系列设置中表现良好。
2015-10-29 stat.ME
Modelling extremes using approximate Bayesian Computation
根据其构造的性质，许多极值的统计模型导致计算上禁止评估的似然函数。因此，这对于基于似然性的推理来说是有问题的。以贝叶斯框架为重点，本章探讨了使用近似贝叶斯计算（ABC）技术来拟合和分析极端情况的统计模型。在介绍了ABC算法和方法背后的思想之后，我们展示了它们在体视学和空间极值中的极值模型的应用。
2014-11-05 stat.CO stat.ME
An Efficient Workflow for Modelling High-Dimensional Spatial Extremes
一个成功的模型，高维空间的极端，原则上，应该能够描述两个削弱极端依赖在增加的水平和极端依赖类的类型的变化作为位置之间的距离的函数。此外，该模型应允许使用推理方法进行计算上易处理的推理，该推理方法有效地从数据中提取信息并且对模型错误指定具有鲁棒性。在本文中，我们演示了如何通过开发一个全面的方法流程来满足所有这些要求，该流程使用空间条件极值模型对高维空间极值进行高效贝叶斯建模，同时使用R-INLA进行快速推理。然后，我们提出了一种事后调整方法，通过适当考虑可能的模型误定，从而产生更强大的推理。所开发的方法适用于模拟极端小时降水量在挪威的高分辨率雷达数据。推断在计算上是有效的，并且所得到的模型拟合成功地捕获了数据的极值依赖结构中的主要趋势。通过调整可能的误指定来对模型拟合进行鲁棒化，进一步提高了模型性能。
2022-12-13 stat.CO stat.ME
Bayesian Model Averaging of Chain Event Graphs for Robust Explanatory Modelling
链事件图（Chain Event Graph，CEG）是一类应用广泛的概率图模型，它可以以一种易于解释的方式表示特定于上下文的独立性语句和事件的非对称展开。现有的关于CEG的模型选择文献主要集中在获得最大后验（MAP）CEG。然而，MAP选择是众所周知的忽略模型的不确定性。在这里，我们将探索在此类上使用贝叶斯模型平均。我们展示了这种方法如何量化模型的不确定性，并通过识别多个高分模型的共享特征来实现更强大的推理。因为可能的CEG的空间是巨大的，在所有的小问题中，为了模型平均而对模型进行详尽的评分是禁止的。然而，我们提供了一个简单的修改现有的模型选择算法，样本的模型空间，说明贝叶斯模型平均相比，更标准的MAP建模的功效。
2022-06-17 stat.ME
Introduction to Relational Event Modelling
Università della Svizzera italiana（瑞士意大利语大学）
本文提供关系事件建模的实用入门，结合最新发展，展示如何模拟合成数据并探讨不同建模策略，降低使用门槛。
2026-08-14 stat.ME
Stochastic Ordering under Conditional Modelling of Extreme Values: Drug-Induced Liver Injury
药物性肝损伤（DILI）是一个重大的公共卫生问题，也是制药行业严重关注的问题。早期发现药物潜在的DILI迹象对于制药公司评估新药至关重要。肝脏特异性变量的极值组合表明潜在DILI（海氏法则）。我们使用Hynnan和Tawn（2004）条件依赖模型估计重度DILI的概率，该模型在多维随机变量至少有一个组分极端的应用中自然出现。我们通过在3期研究中纳入不同剂量的随机有序生存曲线的假设来扩展当前模型。
2014-05-26 stat.AP stat.ME
Joint Estimation of Extreme Spatially Aggregated Precipitation at Different Scales through Mixture Modelling
虽然大多数极端降雨量模型都侧重于逐点值，但最令人感兴趣的是河流流域尺度的区域总降水量。为了捕捉在不同的空间尺度上评估的降水聚集体的联合行为，必须建立简约和有效的模型与知识的基本空间过程。降水是由不同尺度和强度的过程混合驱动的，例如，对流和锋面，与极端的聚合物的典型集水面积所产生的极端只有这些过程之一，而不是它们的组合。高强度对流事件在小尺度上造成极端的空间聚集，但随着聚集面积的增加，低强度大尺度锋的贡献可能会增加。因此，捕捉小到大尺度的空间聚集在一个单一的方法，需要一个模型，可以准确地捕捉对流和锋面事件的极端属性。以前的极值方法忽略了这种混合结构，我们提出了一个空间极值模型，这是一个混合物的两个组件与不同的边际和依赖模型，能够捕捉极端行为的对流和锋面降雨和更忠实地再现空间聚集在很大范围内的尺度。模拟极端的正面分量提出了新的挑战，因为它表现出很强的长期极端空间依赖性。我们的建模方法适用于细尺度，高维，网格化的降水数据。我们发现，占混合结构提高了联合推断的极端空间聚集在不同大小的区域。
2023-01-02 stat.AP stat.ME
Conditional Modelling of Spatio-Temporal Extremes for Red Sea Surface Temperatures
最近的极值理论文献已经看到显着强调空间极端的建模，相对较少的考虑时空扩展。这忽略了极端事件的一个重要特征：它们随时间的演变。许多现有的模型的空间的情况下，它们可以处理的位置的数量是有限的，这阻碍了扩展到时空设置，需要更高的维度的模型。此外，确实存在的时空模型在它们可以捕获的极端依赖类型的范围方面是限制性的。最近，有条件的方法研究多元和空间的极端已经提出，享受的好处，在计算效率和捕获渐近依赖和渐近独立的能力。我们将这类模型扩展到时空环境，条件是在单个时空位置出现极值。我们采用复合似然方法进行推理，它结合了多个时空条件位置的全似然信息。我们将我们的模型应用于红海的表面温度，表明它适合使用一系列的诊断图，并演示了它如何用于评估由于连续几天的高水温导致的珊瑚漂白的风险。
2020-06-24 stat.AP stat.ME
A Bayesian Joint Modelling of Current Status and Current Count Data
本文提出一种基于共享脆弱性的半参数回归贝叶斯联合建模方法，利用自适应Metropolis-Hastings算法估计重复与非重复事件的依赖程度及风险因素，并通过模拟和骨折-骨质疏松数据验证了有效性。
2024-10-13 stat.ME
Bayesian Quantile-Based Joint Modelling of Repeated Measurement and Time-to-Event data, with an Application to Lung Function Decline and Time to Infection in Patients with Cystic Fibrosis
背景资料：重复测量和事件发生时间数据联合建模的最广泛使用的方法是将重复测量的线性高斯随机效应模型与事件发生时间结果的对数高斯脆弱性模型相结合，通过随机效应和对数脆弱性之间的某种形式的相关结构将两者联系起来。在这种方法中，假设协变量影响重复测量数据的平均响应曲线。目标：有些应用程序提出了本结构无法涵盖的实质性问题。例如，囊性纤维化（CF）研究中的一个重要问题是了解患者的肺功能轨迹对其获得各种感染的风险的影响，以及这在肺功能分布的不同分位数下如何变化。研究方法：出于这个问题，我们开发了一个联合分位数建模框架，在本文中与相关的马尔可夫链蒙特卡罗算法的贝叶斯推断。结果：从共同关节模型到分位数回归的转换成功，并应用于来自英国的CF数据。该方法有助于检测不同分位数中肺功能下降与感染发作之间关系的总体差异。结论：不考虑特殊异方差结构的联合建模在某些研究问题中是不够的，需要向均值以外的模型扩展。
2016-09-09 stat.ME
Joint modelling of longitudinal and time-to-event data applied to group sequential clinical trials
通常在测量长期至事件发生时间终点（如总生存期或无进展生存期）的III期临床试验中，研究者还收集可能预测主要终点的生物标志物的重复测量结果。尽管这些数据可能无法直接用于支持早期停止决策，但我们是否可以更好地利用这些数据来提高效率并改善中期决策？我们提出了一个纵向和时间事件数据的联合模型和一种方法，该方法建立了联合模型中参数的连续估计值在中期分析中的分布。有了这个，我们可以使用估计值来定义有效性和无效性停止规则。使用模拟，我们评估了纳入生物标志物信息的好处和对中期决策的影响。
2022-11-29 stat.ME
Modelling the clustering of extreme events for short-term risk assessment
对极端事件的发生率进行可靠的估计对于保险公司、政府机构和公众来说非常重要。极端事件的罕见性通常通过其重现期来表示，即，如果过程的极端事件是独立同分布的，则在所观察到的大小的事件之间的期望等待时间。该测量的主要局限性是，在\textit{T}年事件之后的接下来几个月内发生意外高数量的事件，其中\textit{T}较大。这些事件破坏了对这些风险估计质量的信任。明显独立的极端事件的聚集可能是过程的局部非平稳性的结果，这可以用协变量或随机效应来解释。我们将展示如何会计这些协变量和随机效应提供更准确的估计回报水平和艾滋病的短期风险评估，通过使用一个新的风险措施，这提供了证据的风险是互补的回报期。
2019-06-19 stat.AP stat.ME
Modelling non-stationarity in asymptotically independent extremes
针对渐近独立极值中的非平稳性，提出半参数建模框架捕捉二元极值依赖趋势，并在英国气候预测数据中检测显著趋势，结合边际非平稳性模型估计未来二元风险。
2024-04-22 stat.AP stat.ME
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal（HEC蒙特利尔）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对条件单变量和多变量极值建模中的四个挑战，提出新的交叉验证方法、验证指标及联合超出行概率公式，探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Modelling Extremes of Spatial Aggregates of Precipitation using Conditional Methods
降水空间聚集体的极端行为的推断是重要的河流洪水风险量化。有两类以前的方法，一个未能确保跨不同区域的聚合和其他施加高度限制性的假设推理的自我一致性。为了克服这些问题，我们提出了一个高分辨率的降水数据模型，从中我们可以模拟现实的领域，并探索空间聚集体的行为。最近的发展已经看到了空间扩展的Hynnan和Tawn（2004）模型的条件多元极端，它可以处理范围广泛的依赖结构。我们的贡献是双重的：扩展和改进这种方法及其模型推理的高维数据;和一个新的框架，用于获得聚合解决边缘效应和子区域没有雨。我们应用我们的建模方法网格化的东安格利亚，英国降水数据。返回水平曲线的空间聚集在不同区域的各种大小的估计和拟合非常好的数据。
2022-06-21 stat.AP stat.ME
Deep Learning of Multivariate Extremes via a Geometric Representation
针对现有几何极值推断方法仅适用于低维、假设严格的问题，本文提出新理论结果并首次用深度学习建模极限集，构建灵活的高维极值依赖半参数模型，在北海气象海洋数据上验证了有效性。
2024-09-13 math.ST stat.ME stat.ML
Correlated Multivariate Poisson Processes and Extreme Measures
多元泊松过程在保险、金融和应用概率的许多其他领域有着重要的应用。在本文中，我们研究了反向模拟方法来模拟多变量泊松过程，并分析了连接到极端的措施，描述联合分布的过程中，在终端模拟时间。
2017-10-27 stat.ME
Modelling multivariate extremes through angular-radial decomposition of the density function
提出一种基于密度函数角-径向分解的SPAR模型，用于多元极值建模，该模型将极值建模转化为角度密度和条件径向尾部建模，并证明其比现有方法更通用，且涵盖多种常用方法。
2024-02-12 math.ST stat.ME stat.TH
Modelling the Extremes of Seasonal Viruses and Hospital Congestion: The Example of Flu in a Swiss Hospital
引起流感或较温和的冠状病毒感冒的病毒通常被称为“季节性病毒”，因为它们往往在温暖的月份消退。换句话说，气象条件往往会影响病毒的活动，这些信息可以用于医院的运营管理。在这项研究中，我们使用了瑞士最大的医院之一三年的日常数据，并重点对表现出流感样症状的患者的医院就诊次数和流感阳性病例的数量进行了建模。我们建议采用离散广义帕累托分布的数量的积极和消极的情况下，和广义帕累托分布的几率的积极的情况下。我们的建模框架允许将这些分布的参数与协变量效应联系起来，并通过稳健估计方法处理离群观测值。由于气象条件可能会随着时间的推移而变化，我们使用气象而不是日历变化来解释医院收费的极端情况，我们的实证研究结果突出了它们的重要性。我们提出了一个衡量医院拥挤和相关的工具来估计在不同的气象条件下产生的CaRe（收费风险估计）。相关的数值计算可以很容易地进行使用免费提供的GJRM R软件包。所介绍的方法可以应用于几种类型的季节性疾病数据，例如来自新病毒SARS-CoV-2及其COVID-19疾病的数据，该疾病目前正在全球范围内肆虐。所提出的方法的经验有效性进行评估，通过模拟研究。
2020-05-12 stat.AP stat.ME
Gaussian mixture copulas for flexible dependence modelling in the body and tails of joint distributions
本文提出基于高斯混合的连接函数模型，无需定义极端区域即可统一建模主体与尾部相依结构，可扩展至高维并兼顾渐近相依与独立情形，通过模拟和五维空气污染数据验证其灵活性与图结构识别能力。
2025-03-08 stat.AP stat.ME
River flow modelling using nonparametric functional data analysis
针对水文数据的流量预测与极值分析需求，提出采用非参数泛函数据分析方法，在美国两条河流样本上验证，其效果优于经典参数和非参数估计方法，可辅助洪水风险管理。
2024-01-30 stat.AP stat.ME
Causal Modelling of Heavy-Tailed Variables and Confounders with Application to River Flow
受极端河流流量与降水数据启发，提出一种针对重尾变量的新因果发现方法，通过消除或减弱已知潜在混杂因素以实现正确因果推断，并引入新参数估计器与置换检验，模拟验证了其有效性。
2022-12-24 stat.AP stat.ME
Estimating Extreme Wave Surges in the Presence of Missing Data
针对分块最大值框架下数据缺失导致GEV参数估计有偏的问题，提出多种参数建模方法，并通过模拟与加拿大沿海实例验证其性能。
2025-06-19 stat.AP stat.ME
"Spatial Joint Models through Bayesian Structured Piece-wise Additive Joint Modelling for Longitudinal and Time-to-Event Data"
针对空间联合模型稀缺及传统比例风险公式计算难题，提出基于分段指数风险、计数过程表示与结构化加性预测变量的联合模型，可估计多类效应，性能优、速度快且在不平衡数据下稳定。
2023-02-14 stat.CO stat.ME
A marginal modelling approach for predicting wildfire extremes across the contiguous United States
本文针对 EVA 2021 数据挑战赛，提出一种基于空间邻域的边际建模方法，利用零膨胀负二项分布和非参数/参数技术预测美国本土缺失的野火数量与过火面积，其预测结果显著优于基准方法。
2023-03-14 stat.AP stat.ME
Extreme-value modelling of migratory bird arrival dates: Insights from citizen science data
针对公民科学数据因采样努力异质产生的观测偏差问题，本研究开发时空贝叶斯层次模型，融合BBS与eBird数据集，通过广义极值分布建模首批候鸟抵达日期，实现偏差校正估计并验证了方法有效性。
2024-08-15 stat.AP stat.ME
cegpy: Modelling with Chain Event Graphs in Python
链事件图（Chain Event Graph，CEG）是最近出现的概率图模型家族，它是对流行的贝叶斯网络（Bayesian Network，BN）家族的推广。至关重要的是，与BN不同，CEG能够在其图和统计模型中嵌入过程所表现出的不对称性。这些不对称性可能存在于条件独立关系中，也可能存在于图的结构及其底层事件空间中。结构性不对称在许多领域都很常见，可能是自然发生的（例如，被告与检察官对事件的看法），也可能是有意为之（例如，公共卫生干预）。然而，目前不存在允许用户在具有结构不对称的建模过程中利用CEG模型族的理论发展的软件。本文介绍了cegpy，第一个使用CEG学习和分析复杂过程的Python包。cegpy的关键特性是，它是任何编程语言中第一个可以对具有对称和非对称结构的流程进行建模的CEG包。cegpy包含CEG的贝叶斯模型选择和概率传播算法的实现。我们使用结构不对称的数据集来说明cegpy的功能。
2022-11-21 stat.CO stat.ME stat.ML
Extremal properties of max-autoregressive moving average processes for modelling extreme river flows
本文研究平稳 Max-ARMA 过程的极值性质，首次提出推导其极值指标和滞后渐近依赖系数的方法，并基于重新参数化拟合模型以捕捉高阈值下的河流流量行为，用英国泰晤士河数据进行了验证。
2024-03-25 math.ST stat.AP stat.ME
Directional Dependence of Extreme Events
De Vinci Higher Education, De Vinci Research Center（德芬奇高等教育，德芬奇研究中心）；Institute of Finance & Technology, University College London（伦敦大学学院金融与技术研究所）
本文提出一种量化两个变量间极端事件方向依赖性的新方法，通过研究秩变换变量的条件尾期望来捕捉不对称尾依赖性，并通过模拟研究和海洋数据集验证了其在极端事件因果效应检测中的应用。
2026-04-03 stat.AP stat.ME
Modelling non-stationary extremal dependence through a geometric approach
本文通过几何方法将极值相依性建模扩展到非平稳情形，提出半参数框架估计极限集，经模拟验证稳健，并应用于金融数据。
2025-09-26 stat.AP stat.ME stat.ML
