Multiple Change Point Estimation in Stationary Ergodic Time Series
给定一个异质时间序列样本，目标是找到生成数据的概率分布发生变化的时间点（称为变化点）。数据被假定为已产生的任意未知的平稳遍历分布。没有建模、独立性或混合假设。提出了一种新的，计算效率高，非参数的方法，并证明是渐近一致的，在这个一般的框架。理论结果与实验评价的补充。
2015-05-11 cs.IT math.IT math.ST
Period Estimation in Astronomical Time Series Using Slotted Correntropy
在这封信中，我们提出了一个方法，从光变曲线的周期估计周期的周期从周期变星使用相关熵。光变曲线是恒星亮度随时间变化的天文时间序列，其特征是噪声和不均匀采样。我们建议使用开槽的时间滞后，以估计相关熵直接从不规则采样的时间序列。提出了一种新的信息论度量，用于区分相关熵谱密度的峰值。开槽相关熵方法优于开槽相关，字符串长度，VarTools（Lomb-Scargle periodogram和方差分析），和SigSpec应用程序的一组光变曲线，从CAMO调查。
2011-12-13 astro-ph.IM cs.IT math.IT
A dynamic hybrid model based on wavelets and fuzzy regression for time series estimation
本文将模糊逻辑与小波分解相结合，提出了一种用于金融时间序列估计的逐步动态混合模型。利用模糊回归、小波分解以及新的混合模型对著名的$SP500$指数金融时间序列进行了实证检验。实证检验表明了混合模型的有效性。
2011-02-17 math.ST q-fin.ST stat.TH
Estimation of time-delayed mutual information and bias for irregularly and sparsely sampled time-series
提出了一种基于时滞互信息经验偏差估计的时间序列相关性估计方法。特别是，时间延迟的互信息的偏差往往是等价的两个分布的点之间的互信息从同一个系统分离的无限时间。因此，直观地说，偏差的估计被简化为由大的时间间隔分隔的数据点的分布之间的互信息的估计。所提出的偏差估计技术的工作洛伦兹方程数据和葡萄糖时间序列数据的三个病人从哥伦比亚大学医学中心的数据库。
2011-10-07 nlin.CD physics.data-an q-bio.QM
Estimation of cluster functionals for regularly varying time series: sliding blocks estimators
聚类指数描述了平稳时间序列的极值行为。我们考虑他们的滑动块估计。利用现代理论的多元，经常变化的时间序列，我们得到中心极限定理的条件下，可以很容易地验证了一个大类的模型。特别是，我们表明，在峰值超过阈值的框架，滑动和不相交的块估计有相同的极限方差。
2020-05-22 math.ST stat.TH
Pattern-Based Analysis of Time Series: Estimation
虽然物联网（IoT）设备和传感器创建连续的信息流，但大数据基础设施被认为可以实时处理大量数据。这种连续信息流的一种类型是时间序列数据。由于时间序列中信息的丰富性和概括统计量对封装这些数据中的结构和模式的不足，开发新的方法来学习时间序列是令人感兴趣的。在本文中，我们提出了一种新的方法，称为模式树，学习模式的时间序列使用一个二进制结构的树。虽然模式树可以用于许多目的，如无损压缩，预测和异常检测，在本文中，我们专注于它在时间序列估计和预测的应用。与其他方法相比，我们提出的模式树方法改善了估计的均方误差。
2020-05-02 cs.IT eess.SP math.IT
Supplementary Material for "Should we sample a time series more frequently? Decision support via multirate spectrum estimation (with discussion)"
本技术报告包括各种技术细节以及与论文“我们应该更频繁地对时间序列进行采样吗？”相关的扩展讨论。通过多速率谱估计的决策支持（讨论）"，其中介绍了一个模型，用于估计系统给定的缺失数据的平稳离散时间过程的对数谱密度，并对改变采样率的成本影响进行建模。
2016-04-22 stat.AP stat.CO stat.ME
Estimation of cluster functionals for regularly varying time series: runs estimators
聚类指数描述了平稳时间序列的极值行为。我们认为运行估计的集群指数。利用现代理论的多元，经常变化的时间序列，我们得到中心极限定理的条件下，可以很容易地验证了一个大类的模型。特别是，我们表明，块和运行估计有相同的极限方差。
2021-09-05 math.PR math.ST stat.TH
Fast and Robust Parametric Estimation for Time Series and Spatial Models
我们提出了一个新的框架，用于二阶平稳时间序列和随机场的稳健估计和推断。该框架基于广义小波矩方法，利用小波方差实现复杂模型的参数估计。使用小波方差的M-估计器，该方法可以是鲁棒的，因此当数据遭受离群值或不同形式的污染时，允许估计宽范围的时间序列和空间模型的参数。本文提出了一系列的模拟研究，以及一系列的应用，这种新的方法可以被认为是一种计算效率高，数值稳定和强大的方法，执行至少以及现有的方法在边界上的离群值的影响估计过程。
2016-07-20 stat.AP stat.ME
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数，建立渐近正态性，并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
Agnostic Estimation of Mean and Covariance
Georgia Tech（佐治亚理工学院）
我们考虑的问题估计的平均值和协方差分布从IID样本$\mathbb{R}^n$，在存在的恶意噪声的$η$分数，这是在最近的工作，噪声本身被假定为从一个已知类型的分布。不可知论问题包括许多有趣的特殊情况，例如，当$η$部分数据被逆向损坏时，学习单个高斯（或找到最佳拟合高斯）的参数，不可知地学习高斯的混合物，不可知ICA等。我们提出了多项式时间算法来估计均值和协方差，并在信息理论下限方面具有误差保证。作为推论，我们还得到了奇异值分解的一个不可知算法。
2016-08-14 cs.DS cs.LG stat.ML
Robust estimation in time series with long and short memory properties
本文综述了线性时间序列模型中存在可加性野值时，具有短记忆和长记忆相关结构的稳健估计的研究进展。本文在Fajardo et al.（2009）和Lévy-Leduc et al.（2011 a）的基础上，重点研究了加性异常值对时间序列估计的影响、ARFIMA（p，d，q）模型中部分参数d的稳健自协方差函数的渐近性质和稳健半参数估计方法。当时间序列中存在可加性离群值时，一些模拟结果被用来支持鲁棒方法的使用。本文还讨论了具有异常值的ARFIMA模型中一阶差分估计的不变性。一般来说，鲁棒长记忆估计器具有抗离群值和对一阶差分不变性。
2011-12-29 stat.ME
A Bernstein-type Inequality for High Dimensional Linear Processes with Applications to Robust Estimation of Time Series Regressions
针对超高维、肥尾且序列相关的时间序列数据，本文提出新的 Bernstein 型不等式，并用于稳健时间序列回归和肥尾 VAR 估计，在温和条件下允许维数随样本量指数增长并保持一致性。
2023-04-19 math.ST stat.TH
Estimation and inference for precision matrices of non-stationary time series
在本文中，我们考虑的估计和推断的精度矩阵的丰富的局部平稳和非线性时间序列的一类假设只有一个实现的时间序列观察。使用Cholesky分解技术，我们表明，精度矩阵可以直接估计通过一系列的最小二乘线性回归平滑时变系数。筛子的方法被用于估计，并被证明是有效的和最佳自适应的估计精度和计算复杂性方面。建立了一类基于非参数筛分估计的${\cal L}^2$检验的渐近理论。后者用于检验精度矩阵是对角矩阵还是带状矩阵。对一类广泛的非平稳非线性过程的二次型建立了高维高斯近似结果。
2019-03-25 math.ST stat.TH
Estimation of the Parameters of Vector Autoregressive (VAR) Time Series Model with Symmetric Stable Noise
本文提出了估计具有对称稳定噪声的$p$、$p\geq 1$阶向量自回归过程参数的分数低阶协方差方法。此外，我们通过蒙特卡罗模拟的效率，准确性和简单的方法。
2021-04-15 stat.ME
Sharpness-Aware Hybrid Model Learning for Architecture-Agnostic Parameter Estimation
The University of Tokyo（东京大学）
提出一种基于锐度感知最小化的架构无关方法，通过损失平坦性实现混合模型中科学参数的准确估计。
2026-06-01 cs.LG stat.ML
Nonparametric Trend Estimation in Functional Time Series with Application to Annual Mortality Rates
Here, we address the problem of trend estimation for functional time series . Existing contributions either deal with detecting a functional trend or assuming a simple model. They consider neither the estimation of a general functional trend nor the analysis of functional time series with a functional trend component. Similarly to univariate time series , we propose an alternative methodology to analyze functional time series , taking into account a functional trend component. We propose to estimate the functional trend by using a tensor product surface that is easy to implement, to interpret,…
2020-08-21 stat.ME
Model Agnostic Explainable Selective Regression via Uncertainty Estimation
Scoula Normale Superiore（比萨高等师范学校）；University Southampton（南安普顿大学）；Alexandra Institute（亚历山德拉研究所）
本文提出一种模型无关的非参数不确定性估计方法用于选择性回归，在69个数据集上优于现有方法，并利用可解释AI分析驱动因素，开源了实现代码。
2023-11-15 cs.LG stat.ML
Penalized Likelihood Estimation in High-Dimensional Time Series Models and its Application
提出了平稳多时间序列模型中参数个数可能发散时惩罚拟极大似然（PQML）估计的一般理论框架。我们展示了高层次下的预言属性的PQML估计，但易于处理的假设，包括论文的前半部分。利用这些结果，我们在文章的后半部分提出了一种高维向量自回归（VAR）模型的稀疏估计方法。最后，通过仿真研究和收益率曲线预测的实证分析，验证了稀疏高维VAR模型的可用性。
2017-04-26 math.ST stat.AP stat.TH
Maximum Pseudolikelihood Estimation for Model-Based Clustering of Time Series Data
混合自回归模型（MoAR）为时间序列数据的聚类提供了一种基于模型的方法。MoAR模型的极大似然（ML）估计需要估计正态随机变量的大量密度的乘积。在实际情况下，这些产品收敛到零的长度的时间序列的增加，因此ML估计的MoAR模型变得不可行，而不使用数值技巧。我们提出了一个最大的伪像（MPL）估计方法作为替代使用的数值技巧。MPL估计被证明是一致的，可以通过EM（期望-最大化）算法计算。模拟被用来评估性能的MPL估计对ML估计的情况下，后者能够计算。聚类的时间序列数据所产生的休息状态功能磁共振成像实验的应用程序作为演示的方法。
2016-10-18 stat.CO stat.ME
Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification
Leiden University（莱顿大学）
本研究提出面向时间序列分类的模型无关事后可解释算法Time-CF，结合shapelets与TimeGAN生成反事实解释，在UCR数据集多任务上四项可解释性指标均优于现有最优方法。
2024-02-02 cs.LG
Estimation of Poisson Autoregressive Model for Multiple Time Series
本文将泊松自回归（PAR）模型视为加性模型，采用三次平滑样条与极大似然估计的混合方法进行参数估计，并将其推广至多重计数时间序列，发现该方法在计数值较大时优于状态空间方法且对结构变化具有稳健性。
2021-04-28 stat.CO stat.ME
Bayesian estimation of the autocovariance of a model error in time series
时间序列模型中误差项的自协方差对模型的估计和推断起着关键作用。通常情况下，一些任意的参数结构假设的误差，以简化估计，这不可避免地引入潜在的模型误指定。为了避免传统的非参数截断方法中带宽选择困难的问题，本文在频域中对其谱密度进行贝叶斯估计。为此，我们考虑两种情况：固定误差方差和时变误差方差。每种方法都被用来估计自协方差的谱密度和模型参数。该方法被应用于汇率预测，并证明竞争有利的一些基准模型，包括无漂移的随机游动。
2022-10-14 stat.ME
Network Estimation for Stationary Time Series
Department of Mathematics, University of York, UK（约克大学数学系）；Department of Mathematical Sciences, University of Bath, UK（巴斯大学数学科学系）
本文提出了一种基于小波域的新型技术，用于估计高维平稳多元时间序列的稀疏条件独立图，通过局部平稳小波建模框架和图拉索斯方法，提升时间序列依赖结构识别的准确性与适用性。
2025-12-12 stat.ME
Identifiability and Estimation of Structural Vector Autoregressive Models for Subsampled and Mixed Frequency Time Series
多变量时间序列中的因果推断是具有挑战性的，因为采样率可能没有因果相互作用的时间尺度快。在这种情况下，我们可以将观察到的序列视为所需序列的二次采样版本。此外，由于技术和其他限制，可能会在不同的采样率下观察到序列，这代表了混合频率设置。为了确定时间序列之间的瞬时和滞后效应在真正的因果尺度，我们采取了基于模型的方法，基于结构向量自回归（SVAR）模型。在这种情况下，我们提出了一个统一的框架下的子采样和混合频率的噪声，或冲击，是非高斯的参数可识别性和估计。重要的是，通过研究SVAR的情况下，我们都能够提供可识别性和估计方法的因果结构的滞后和瞬时效应在所需的时间尺度。我们进一步推导出一个精确的期望最大化算法的推理在二次采样和混合频率设置。我们验证我们的方法在模拟场景和两个现实世界的数据集。
2017-04-08 stat.ME
Estimation in a class of nonlinear heteroscedastic time series models
研究了一类异方差时间序列模型的参数估计问题。证明了条件最小二乘估计和条件似然估计的存在性。建立了它们的相合性和渐近正态性。定义了噪声密度及其导数的核估计，并证明了它们是一致相合的。仿真实验表明，该估计器在大样本量下具有良好的性能。
2008-02-01 math.ST stat.TH
Locally adaptive estimation methods with application to univariate time series
本文从理论和经验两个方面对单变量时间序列的三种局部自适应估计方法进行了统一的研究。给出了计算临界值的一般步骤。底层模型包含指数族的所有分布，提供了极大的灵活性。该程序适用于模拟和真实的金融数据分布根据高斯，波动率，泊松，指数和伯努利模型。数值结果显示了非常合理的性能的方法。
2008-12-02 math.ST q-fin.ST stat.TH
Time-Series Estimation from Randomly Time-Warped Observations
我们考虑的问题，估计一个信号从其扭曲的意见。这样的估计通常通过一些反向弯曲来改变观测值，或者求解计算要求高的优化公式来执行。虽然如果观测值很少，这些可能是不可避免的，但当大量扭曲观测值可用时，运行此类算法的成本可能过高。我们考虑的情况下，我们有很多的意见，并提出了一个计算简单的算法估计的功能感兴趣。我们证明了实用的算法上流式生物医学信号。
2021-12-02 eess.SP math.ST stat.TH
Estimation of the long-run variance of nonlinear time series with an application to change point analysis
本文针对伯努利位移类非线性时间序列，建立了长期方差平滑周期图估计量的渐近正态性，并将其应用于均值变点与长程依赖性的区分检验，通过模拟验证了方法性能。
2025-05-08 math.ST stat.TH
Trend estimation for time series with polynomial-tailed noise
针对非随机非等距时间点观测的时间序列，在函数有界全变差和误差低阶矩条件下，提出适应非 dyadic 样本量的 Haar 型基非线性小波估计器，推导多项式尾噪声稀疏信号阈值方案并应用于趋势估计。
2025-02-12 math.ST stat.TH
Sliced Average Variance Estimation for Multivariate Time Series
时间序列的监督降维是具有挑战性的，因为在响应$y$和预测器$\boldsymbol x$之间可能存在时间依赖性。最近，一个时间序列版本的切片逆回归，TSIR，建议，它适用于几个监督滞后协方差阵的近似联合对角化考虑的时间性质的数据。在本文中，我们进一步发展这一概念，并提出了一个时间序列版本的切片平均方差估计，TSAVE。由于TSIR和TSAVE都有各自的优点和缺点，我们进一步考虑TSIR和TSAVE的混合版本。基于实例和模拟，我们证明和评估这三种方法之间的差异，并表明，他们是优越的，适用于他们的iid对应时，也使用滞后值的解释变量作为预测。
2018-10-05 stat.ME
Root-n consistent estimation of the marginal density in some time series models
本文考虑了一类非线性自回归时间序列模型的边际密度估计问题，其中条件均值和方差具有参数化的规定。在一定的正则性条件下，我们证明了即使噪声密度未知，基于残差的核类型估计也可以是根-n一致的。我们的结果，这是有效的经典的时间序列模型，如ARMA或Gestival过程，大大扩展了现有的结果，得到了一些同程时间序列模型。我们的估计量的渐近展开是通过结合一些鞅型参数和耦合方法的时间序列，这是独立的利益。我们还研究了紧区间上估计的一致收敛性。
2016-10-28 math.ST stat.TH
Deep Pattern of Time Series and Its Applications in Estimation, Forecasting, Fault Diagnosis and Target Tracking
时间序列中包含的信息比值本身更多。本文提出了一种基于卡尔曼滤波的时变局部自相关多项式模型来描述时间序列的动态特性（或信号），并挖掘其深层模式，除了估计瞬时均值函数（也称为趋势函数），包括：（1）识别和预测时间序列的峰值和谷值;（2）报告和预测当前的变化模式（趋势的增加或减少模式，以及它的变化速度）。我们将证明，正是这种深层模式使我们能够对时间序列进行更高精度的估计和预测，轻松检测传感器的异常（故障），并跟踪高度机动的目标。
2019-12-19 cs.IT math.IT stat.AP
Conditional-sum-of-squares estimation of models for stationary time series with long memory
利用Robinson（2005）的最新结果，研究了长记忆平稳时间序列参数模型的条件平方和（CSS）估计的渐近性质. CSS估计被认为是时间序列模型的高斯最大似然估计和Whittle估计的竞争对手。后一种估计已被严格证明是渐近正态分布的情况下，长记忆。然而，CSS估计，这应该有相同的渐近分布性质在类似的条件下，没有收到可比的待遇：截断的无限自回归表示固有的CSS估计已基本上被忽略的证明渐近正态性。与短记忆模型不同，它不能直接表明截断的影响可以忽略不计。
2007-02-26 math.ST stat.TH
Time Series Technical Analysis via New Fast Estimation Methods: A Preliminary Study in Mathematical Finance
新的快速估计方法源于控制理论导致一个新的看时间序列，它承担一些类似于“技术分析”。结果被应用到金融工程的一个典型对象，即外汇汇率的预测，通过一个“无模型”的设置，即，通过在滑动短时窗上反复辨识低阶线性差分方程。几个令人信服的计算机模拟，包括预测的位置和波动相对于预测的趋势线，提供。$\mathcal{Z}$ -变换和微分代数是主要的数学工具。
2008-11-16 math.AC math.OC math.ST
Estimation of connectivity measures in gappy time series
提出了一种计算含间隙的多元时间序列连通性测度的新方法。不是移除或填充间隙，而是移除包含空条目的联合数据矩阵的行，并在余数矩阵上进行计算。该方法被称为测量自适应间隙去除（MAGR），可以应用于任何使用联合数据矩阵的连接性测量，例如互相关，互信息和传递熵。MAGR是有利的比较，使用这三种措施，一些已知的间隙填充技术，以及间隙闭合。在综合系统的时间序列和金融时间序列上说明了MAGR的优越性。
2015-04-29 math.ST physics.data-an q-fin.ST
Trend and seasonality estimation for point-process time series
University of Wisconsin–Milwaukee（威斯康星大学密尔沃基分校）
本文提出了一种用于点过程时间序列趋势和季节性估计的简单M估计器，通过模拟研究其有限样本性能，并以芝加哥Divvy自行车共享系统中的自行车需求模式为例进行实数据应用。
2026-05-21 stat.ME
TS-MULE: Local Interpretable Model-Agnostic Explanations for Time Series Forecast Models
University of Konstanz（康斯坦茨大学）
时间序列预测是一项艰巨的任务，从天气到故障预测，黑箱模型具有最先进的性能。但是，理解和调试并不保证。我们提出了TS-MULE，一个本地的代理模型解释方法专门为时间序列扩展的LIME方法。我们的扩展LIME使用各种方法来分割和扰动时间序列数据。在我们的扩展中，我们提出了六种用于时间序列的采样分割方法，以提高替代属性的质量，并在三种深度学习模型架构和三种常见的多变量时间序列数据集上展示了它们的性能。
2021-09-17 cs.LG
Agnostic Private Density Estimation for GMMs via List Global Stability
McMaster University（麦克马斯特大学）；Vector Institute（矢量研究院）；Google（谷歌公司）
针对不可知场景下高维高斯混合模型的私有密度估计问题，研究人员引入列表全局稳定性的不可知变体，构建对应学习器，首次证明了该问题的样本复杂度上界。
2024-10-06 cs.CR cs.DS cs.IT
Stable Prediction with Model Misspecification and Agnostic Distribution Shift
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；Stanford University（斯坦福大学）
对于许多机器学习算法，需要两个主要假设来保证性能。一个是测试数据与训练数据来自相同的分布，另一个是模型被正确指定。然而，在实际应用中，我们通常对测试数据和底层真实模型的先验知识很少。在模型误设定下，训练数据和测试数据之间的不可知分布偏移会导致参数估计的不准确性和对未知测试数据预测的不稳定性。为了解决这些问题，我们提出了一种新的去相关加权回归（DWR）算法，该算法联合优化变量去相关正则化器和加权回归模型。变量去相关正则化器估计每个样本的权重，使得变量在加权的训练数据上去相关。然后，将这些权重用于加权回归，以提高对各变量影响的估计精度，从而有助于提高预测在未知测试数据中的稳定性。大量的实验清楚地表明，我们的DWR算法可以显着提高参数估计的准确性和预测的稳定性与模型误设定和不可知的分布偏移。
2020-01-31 cs.LG stat.ML
TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University（根特大学）
针对冷启动时间序列预测，提出时间模型无关元学习（TMAML），通过构建时间一致的元任务并优化模型，使预测模型在少数据下快速适应，实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
Model-agnostic Retrieval-Augmented Extended Forecasting for time series
该研究提出模型无关的RAEF方法，通过改进检索与聚合机制提升时间序列预测性能，其效果优于RAF，兼具高效性与竞争力，可替代微调用于时间序列预测的领域适配。
2026-08-17 cs.LG
TsSHAP: Robust model agnostic feature-based explainability for time series forecasting
IBM Research（IBM研究院）
一个值得信赖的机器学习模型应该是准确的和可解释的。理解模型为什么做出某个决定定义了可解释性的概念。虽然在分类和回归等监督学习范式中已经充分研究了各种各样的可解释性，但关于时间序列预测的可解释性的文献相对较少。在本文中，我们提出了一个基于特征的可解释性算法，TsSHAP，可以解释任何黑箱预测模型的预测。该方法是不可知的预测模型，并可以提供解释的预测由用户定义的可解释的功能之前。这些解释是根据通过在代理模型上应用TreeSHAP算法获得的SHAP值进行的，该代理模型学习可解释的特征空间与黑盒模型的预测之间的映射。此外，我们形式化的概念，本地，半本地和全球的时间序列预测的背景下，这可能是有用的几种情况下的解释。我们通过在多个数据集上的广泛实验验证了TsSHAP的有效性和鲁棒性。
2023-03-22 cs.LG
An Efficient Model-Agnostic Approach for Uncertainty Estimation in Data-Restricted Pedometric Applications
Osnabrück University（奥斯纳布吕克大学）；Leibniz Institute for Agricultural Engineering and Bioeconomy（莱布尼茨农业工程与生物经济研究所）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文提出一种模型无关的方法，通过将回归任务转化为分类问题，在数据受限的土壤计量学应用中实现了更优的预测不确定性估计。
2024-09-18 cs.LG
DualDICE: Behavior-Agnostic Estimation of Discounted Stationary Distribution Corrections
Google Research（谷歌研究院）
在许多现实世界的强化学习应用中，对环境的访问仅限于固定的数据集，而不是与环境的直接（在线）交互。当使用这些数据进行新策略的评估或训练时，对折扣静态分布比率的准确估计-校正项量化了新策略将经历某个状态-动作对的可能性，该状态-动作对通过状态-动作对出现在数据集中的概率进行归一化-可以提高准确性和性能。在这项工作中，我们提出了一种算法，DualDICE，估计这些数量。与以前的方法相比，我们的算法对用于生成数据集的行为策略（或策略）的知识是不可知的。此外，它避免了任何直接使用的重要性权重，从而避免了潜在的优化不稳定性地方病的以前的方法。除了提供理论保证，我们提出了一个实证研究，我们的算法应用于政策外的政策评估，发现我们的算法显着提高准确性相比，现有的技术。
2019-11-04 cs.AI cs.LG stat.ML
Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation
Stanford University（斯坦福大学）
本文在不假设冗余函数结构的统计下界框架下，证明双重稳健估计量对ATE、ATT及ATE加权变体均具有统计最优性。
2025-06-08 cs.LG econ.EM math.ST
Data-Driven and Cycle-Agnostic Covariate Selection for Nonparametric Causal Effect Estimation
Leiden University（莱顿大学）
本文提出一种基于条件独立性的本地数据驱动方法，用于非参数和周期无关的因果效应估计，证明其在存在循环因果模型时的有效性，并通过合成数据验证了方法的可靠性。
2026-11-05 cs.LG
Investigating a Model-Agnostic and Imputation-Free Approach for Irregularly-Sampled Multivariate Time-Series Modeling
Virginia Tech（弗吉尼亚理工大学）；Oak Ridge National Lab（橡树岭国家实验室）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种无需插值的模型无关方法MissTSM，用于不规则采样多变量时间序列建模，在高缺失率和无周期结构条件下表现优异。
2026-01-12 cs.AI cs.LG
MASCOTS: Model-Agnostic Symbolic COunterfactual explanations for Time Series
Warsaw University of Technology（华沙理工大学）；University of Warsaw（华沙大学）；University of Pisa（比萨大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；KP Labs（KP实验室）；European Space Operations Centre（欧洲空间操作中心）；ETH Zürich（苏黎世联邦理工学院）
针对时间序列反事实解释的挑战，提出模型无关的MASCOTS方法，利用符号特征空间生成可解释且多样的反事实，在保持效度的同时显著提升可解释性与稀疏性。
2025-03-28 cs.LG
Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis
School of Software, South China Normal University（华南师范大学软件学院）
针对现有少样本故障时间序列预测元学习方法的三大局限，提出基于连续时段的伪元任务划分方案与差分增强算法，有效提升了预测精度与跨数据集鲁棒性。
2023-11-04 cs.AI cs.LG
Task-agnostic Out-of-Distribution Detection Using Kernel Density Estimation
ETH Zurich（苏黎世联邦理工学院）
近年来，研究人员提出了许多成功的方法来执行在深度神经网络（DNN）的分布外（OOD）检测。到目前为止，高精度方法的范围仅限于图像级分类任务。然而，尝试普遍适用的方法超越分类没有达到类似的性能。在本文中，我们提出了一个简单而有效的任务不可知的面向对象的检测方法来解决这个限制。我们通过对训练数据集执行核密度估计（KDE）来估计预训练DNN的中间特征的概率密度函数（pdf）。由于KDE的直接应用程序的特征地图是阻碍了他们的高维，我们使用一组低维边缘化的KDE模型，而不是一个单一的高维。在测试时，我们评估测试样本上的PDF，并产生一个置信度分数，表明样本是OOD。KDE的使用消除了对底层功能PDF进行简化假设的需要，并使所提出的方法与任务无关。我们使用OOD检测的基准数据集对分类任务进行了广泛的实验。此外，我们使用脑MRI数据集进行医学图像分割任务的实验。结果表明，所提出的方法始终实现高OOD检测性能的分类和分割任务，并提高了国家的最先进的几乎所有情况下。代码可在\url{https://github.com/eerdil/task_agnostic_ood}上获得
2021-03-30 cs.CV cs.LG
Model Agnostic Differentially Private Causal Inference
Inria, Université de Montpellier, INSERM, France（Inria、蒙彼利埃大学、INSERM、法国）
本文提出了一种无模型差分隐私因果推断框架，通过分离干扰估计与隐私保护，实现了对平均治疗效应的隐私保护估计，并在合成和真实数据上验证了其有效性。
2026-01-30 cs.LG stat.ML
It's Hard to Be Normal: The Impact of Noise on Structure-agnostic Estimation
Stanford University（斯坦福大学）；Microsoft Research（微软研究院）
本文研究结构无关因果推断中处理噪声分布对估计的影响，证明DML在高斯噪声下极小极大最优，但在非高斯噪声下次优，并提出利用累积量实现高阶鲁棒性的ACE估计量，同时给出二值处理的极小极大保证并通过实验验证其实际优势。
2025-11-07 cs.LG econ.EM math.ST
CapeLLM: Support-Free Category-Agnostic Pose Estimation with Multimodal Large Language Models
EverEx；Yonsei University（延世大学）
提出首个用于类无关姿态估计的多模态大语言模型CapeLLM，仅利用查询图像和文本描述作为输入，通过有效训练策略与推理机制建模空间分布，在MP-100基准上达到最先进水平。
2025-08-14 cs.CV cs.LG
