用条件期望刻画两类样本的顺序统计量

通过Conformal Conditional Linear Expectation利用随机椭球体进行自适应推断

Adaptive inference with random ellipsoids through Conformal Conditional Linear Expectation

本文在多变量回归框架下提出两种基于残差与输入点协方差分析的新conformity scores，构建显式椭球预测集，证明其渐近性质及体积缩减优势，并在数值研究中验证有效性。

Noise Contrastive Meta-Learning for Conditional Density Estimation using Kernel Mean Embeddings

Current meta-learning approaches focus on learning functional representations of relationships between variables, i.e. on estimating conditional expectations in regression. In many applications, however, we are faced with conditional distributions which cannot be meaningfully summarized using expectation only (due to e.g. multimodality). Hence, we consider the problem of conditional density estimation in the meta-learning setting. We introduce a novel technique for meta-learning which combines neural representation and noise-contrastive estimation with the established literature of conditional…

关于无二阶矩的最小二乘线性回归

On Least Squares Linear Regression Without Second Moment

如果X和Y是实值随机变量，使得X，Y和XY的一阶矩存在，并且给定X的Y的条件期望是X的仿射函数，则条件期望的截距和斜率等于最小二乘线性回归函数的截距和斜率，即使Y可能没有有限的二阶矩。因此，条件期望和零协方差的X形式的仿射意味着均值独立。

一般半正态分布参数的最小风险同变估计及其条件期望的蒙特卡罗逼近

Minimum Risk Equivariant Estimation of the Parameters of the General Half-Normal Distribution by Means of a Monte Carlo Method to Approximate Conditional Expectations

本文研究一般半正态分布的参数估计问题。也就是说，研究了参数的最小风险等变（MRE）估计量的确定问题.仿真研究实现了极大似然估计和无偏估计量，这些估计的行为进行比较。一个自然的蒙特卡罗方法来计算条件期望被用来近似MRE估计的位置参数，因为它的表达式涉及两个条件期望不容易计算。所使用的蒙特卡罗方法是合理的贝西科维奇定理的措施微分，并已略有修改，以解决一种“灾难的维数”的问题出现在这个参数的估计。这种方法在过去几年中一直被隐含地用于ABC（近似贝叶斯计算）方法。

用非嵌套蒙特卡罗方法计算条件期望的方差

Computing the variance of a conditional expectation via non-nested Monte Carlo

计算条件期望的方差在不确定性量化中经常是重要的。Sun等人介绍了一种无偏嵌套蒙特卡罗估计量，他们称之为$1\frac{1}{2}$级模拟，因为随着计算预算的增加，最佳内部水平样本量是有界的。在这封信中，我们构造无偏非嵌套蒙特卡罗估计的基础上所谓的挑选冻结计划，由于Sobol '。我们的方法来计算高阶矩的条件期望的扩展也进行了讨论。

累积条件期望指数

Cumulative Conditional Expectation Index

在本文中，我们研究的累积条件期望函数（CCEF）的copula背景下。它示出了如何计算CCEF的累积Copula函数，这种自然的表示允许推导出一些有用的属性，例如与应用程序的Copula凸组合。我们介绍了CCEF的Bernstein多项式Copula的基础上的近似。我们介绍估计CCEF，这是通过伯恩斯坦多项式估计copula构建。CCEF的估计量是渐近正态和有偏的。

使用 LLMs 直接猜测条件期望可以提高因果估计的效率

Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation

本文提出利用 LLM 生成的预测直接作为预测变量，以提升双重机器学习中条件期望函数的估计性能，从而有效克服高维混淆因子下的维度灾难并提高因果估计效率。

为条件随机优化构造具有有限方差的无偏梯度估计器

Constructing unbiased gradient estimators with finite variance for conditional stochastic optimization

针对条件随机优化中嵌套期望梯度难以无偏估计的问题，论文证明 multilevel Monte Carlo 梯度估计器可在一定条件下实现无偏、有限方差与有限期望成本，并给出另一特殊构造。

迭代条件期望g计算的经验三明治方差估计量

Empirical sandwich variance estimator for iterated conditional expectation g-computation

针对ICE g计算中方差估计计算量大问题，提出基于堆叠估计方程的经验三明治方差估计量，模拟与应用示例表明该方法准确且比bootstrap更快。

Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions

In various fields of data science, researchers are often interested in estimating the ratio of conditional expectation functions (CEFR). Specifically in causal inference problems, it is sometimes natural to consider ratio-based treatment effects, such as odds ratios and hazard ratios, and even difference-based treatment effects are identified as CEFR in some empirically relevant settings. This chapter develops the general framework for estimation and inference on CEFR, which allows the use of flexible machine learning for infinite-dimensional nuisance parameters. In the first stage of the fram…

贝叶斯全局Fréchet回归：基于弱条件期望

Bayesian Global Fréchet Regression via Weak Conditional Expectations

提出贝叶斯Fréchet回归框架，通过弱条件期望将对象值回归转化为标量回归任务，实现先验与数据驱动估计的受控插值，在微生物组数据中提升预测性能。