Statistical inference for stationary linear models with tapered data
在本文中，我们调查的统计推断（参数和非参数统计估计，假设检验）的谱平稳模型与锥形数据的一些最新结果，以及一个问题，关于稳健的推断，进行了一个线性平稳过程污染的小趋势。本文还讨论了有关锥化Toeplitz矩阵和算子的一些问题，锥化Toeplitz型二次泛函的中心极限定理，锥化Fejér型核和奇异积分.这些是获得相应结果的主要工具，它们本身也很有意义。所考虑的过程将是离散时间和连续时间高斯，线性或Lévy驱动的线性记忆过程。
2021-05-14 math.ST stat.TH
Statistical inference for expectile-based risk measures
Newey和Powell（1987）在线性回归模型中引入了期望值。最近，Bellini等人（2014）揭示，预期也可以被视为合理的法律不变的风险措施。在这篇文章中，我们证明了相应的统计泛函是连续w.r.t. $1$ -弱拓扑和适当的功能可微。利用这些正则性结果，我们可以得到非参数和参数统计模型中相应估计的相合性、渐近正态性、Bootstrap相合性和定性稳健性等性质.
2016-09-20 math.ST stat.TH
The Logarithmic Super Divergence and Statistical Inference : Asymptotic Properties
基于分歧度量的统计推断有着悠久的历史。最近，Maji，Ghosh和Basu（2014）引入了一个一般的发散族，称为对数超发散族（LSD）。该家族作为对数幂发散（LPD）家族（例如，Renyi，1961）和Jones等人（2001）引入的对数密度幂散度（LDPD）家族。在本文中，我们描述的渐近性质的推理过程中产生的分歧离散模型。这些性质得到了真实数据实例的很好支持。
2014-06-09 math.ST stat.TH
Discussion: Foundations of Statistical Inference, Revisited
这是对Deborah Mayo教授的论文“关于强似然原理的Birnbaum论证”的讨论的邀请贡献，将出现在统计科学中。梅奥清楚地表明，违反似然原则的统计方法不一定违反充分性或条件性原则，从而驳斥了伯恩鲍姆的主张。随着Birnbaum定理的限制解除，我们重新审视了统计推断的基础，重点放在一些新的基本原则，推理模型框架，并与充分性和条件反射的连接。[arXiv：1302.7021]
2014-11-04 math.ST stat.TH
Bridging Theory and Practice: Statistical Inference for Latent Space Models of Networks
Department of Mathematics, Hong Kong University of Science and Technology（香港科技大学数学系）；Department of Statistics, Florida State University（佛罗里达州立大学统计系）
本文提出统一框架，解决潜在空间模型统计推断中理论与实践的差距问题，通过放宽谱多重性约束和开发新适应性准则，提升最大似然估计的实用性与统计严谨性。
2026-05-09 math.ST stat.TH
Parametric Statistical Inference in the Zone of Moderate Deviation Probabilities
本文在小偏差概率区发展了参数统计推断理论，通过Hellinger距离基于泰勒展开的对数似然比展开，证明了贝叶斯估计和最大似然估计的large deviation principle，并建立了后验贝叶斯测度的集中定理。
2026-10-28 math.ST stat.TH
Statistical Inference in Fractional Poisson Ornstein-Uhlenbeck Process
本文研究了泊松分数噪声驱动的离散Ornstein-Uhlenbeck模型的参数估计问题。基于噪声的随机游动逼近，研究了最小二乘估计和极大似然估计。因此，估计的渐近行为进行，并示出了一个模拟研究来说明我们的结果。
2017-12-14 math.ST stat.TH
Statistical inference for function-on-function linear regression
函数对函数线性回归对于理解响应和预测变量（均为函数）之间的关系非常重要。在这篇文章中，我们提出了一个再生核希尔伯特空间的方法来函数的函数线性回归通过惩罚最小二乘，正则化的薄板样条光滑惩罚。研究了系数函数估计的极小极大最优收敛速度。我们推导出Bahadur表示，这使我们能够提出统计推断的方法，使用自举和收敛的Banach值随机变量的超规范。我们说明我们的方法，并验证我们的理论结果，通过模拟数据实验和真实数据的例子。
2021-09-28 math.ST stat.TH
Statistical inference for fractional diffusion process with random effects at discrete observations
本文讨论了漂移中具有随机效应的线性分式扩散过程的推论问题。特别是我们关心的随机效应参数的最大似然估计（MLE）。首先，我们从一个单一的主题估计赫斯特参数H。其次，假设赫斯特指数H是已知的，我们推导出极大似然估计，并研究其渐近行为的研究对象的数量变得很大，随机效应正态分布。
2019-12-03 math.ST stat.TH
Statistical inference for heavy tailed series with extremal independence
本文考虑平稳时间序列$\{X_j, j \in Z\} whose finite dimensional distributions are regularly varying with extremal independence. We assume that for each $ h \geq 1 $, conditionally on $ X 0 $ to exceed a threshold tending to infinity, the conditional distribution of $ X h$适当归一化弱收敛到一个非退化分布.在本文中，我们考虑估计的正常化和极限分布。
2018-04-29 math.ST stat.TH
Distributed Statistical Inference for Massive Data
本文考虑了一般对称统计量的分布式统计推断，其中包括U-统计量和M-估计量，在海量数据的背景下，数据可以存储在不同位置的多个平台上。为了促进有效的计算，并避免昂贵的不同平台之间的通信，我们制定了分布式统计，可以进行更小的数据块。分布统计量的统计性质进行了研究的估计和渐近分布的均方误差相对于数据块的数量。此外，我们提出了两个分布式引导算法，这是计算有效的，并能够捕获的分布式统计的底层分布。数值模拟和实际数据的应用所提出的方法来证明的经验性能。
2018-05-29 math.ST stat.TH
Statistical Inference via T-Posterior Randomised Estimators
University of Luxembourg（卢森堡大学）
该研究提出一种新的统计估计方法，生成观测随机变量未知分布的随机估计量，建立其性能非渐近界与模型误设鲁棒性，无需集中不等式与经验过程理论，还以泊松过程强度估计为例验证方法。
2026-08-24 math.ST stat.TH
Statistical inference for ergodic diffusion with Markovian switching
针对具有马尔可夫状态切换的遍历扩散过程，提出高斯拟似然参数估计方法，证明系数参数渐近正态并构造链生成元的一致估计量，仿真验证了理论结果。
2025-05-16 math.ST stat.TH
Statistical inference for discretely sampled stochastic functional differential equations with small noise
研究了带小噪声的多维随机时滞方程漂移和扩散系数的参数估计问题。延迟结构被写为相对于延迟测量的积分形式。我们的对比度函数是基于局部高斯近似的转移概率密度的过程。当离差系数趋于零时，样本量趋于无穷大时，我们证明了最小对比度估计的相合性和渐近正态性。
2023-03-20 math.ST stat.TH
On asymptotically efficient statistical inference on a signal parameter
研究了高斯白噪声中信号参数的置信估计和假设检验问题。对于这些问题，我们指出了下界的渐近效率在区域的中等偏差概率。这些下界是局部渐近极小极大Hajek-Le Cam估计下界和假设检验Pitman有效性下界的版本。得到了中偏差概率对数渐近和锐渐近的下界。
2015-01-24 math.ST stat.TH
Statistical Inferences Using Large Estimated Covariances for Panel Data and Factor Models
虽然大多数文献中关于高维协方差阵的收敛性结果关注估计协方差阵（和精度矩阵）的准确性，但相对较少了解估计大协方差对统计推断的影响。我们研究两个重要的模型：因子分析和交互效应的面板数据模型，重点研究了基于大协方差估计的结构参数的统计推断和估计效率。为了有效地估计，这两个模型都需要加权主成分（WPC），它依赖于一个高维的权重矩阵。本文使用Fan et al.（2013）的协方差阵估计量导出了一个有效可行的WPC。然而，我们证明了现有的结果大协方差估计的基础上绝对收敛是不适合的统计推断的结构参数。所需要的是一些加权的一致性和相关的收敛速率，这是本文得到的。最后，将该方法应用于美国离婚率数据。我们发现，有效的WPC识别离婚率的离婚法改革的显着影响，它提供了更准确的估计和更严格的置信区间比现有的方法。
2013-11-12 math.ST stat.TH
On Statistical Inference with High Dimensional Sparse CCA
我们考虑稀疏性限制下两个高维向量之间的主导典型相关方向和强度的渐近精确推断。在这方面，我们的主要贡献是损失函数的发展，在此基础上，可以操作一步偏差校正合理的初始估计。在这方面，我们的分析结果是自适应的高维冗余参数，其中，在此设置，对应于感兴趣的变量的协方差阵的适当的结构限制。我们进一步补充我们的程序背后的理论保证与广泛的数值研究。
2022-02-09 math.ST stat.TH
Statistical inference for dynamical systems: a review
动力系统的统计推断已经在多个领域得到了广泛的研究。本文主要研究非线性动力系统的参数估计问题。我们的目标是将不同学科的结果放在一个共同的环境中，并突出进一步研究的机会。
2012-06-16 math.DS math.ST stat.TH
Statistical Inference for Fractional Diffusions
本文综述了由分数布朗运动驱动的随机微分方程的统计推断方法，分析了现有理论、挑战并提出新方法，探讨了分数扩散作为均质化极限的情况。
2026-04-04 math.PR math.ST stat.TH
Statistical Inference in Tensor Completion: Optimal Uncertainty Quantification and Statistical-to-Computational Gaps
本文针对张量补全的统计推断问题，提出结合初始估计、去偏与一步幂迭代的方法，证明其达到不确定性量化最优，探究了统计-计算鸿沟及初始化的影响，给出相变结论且模拟结果与理论一致。
2024-11-01 math.ST stat.ML stat.TH
Statistical Inference and Large-scale Multiple Testing for High-dimensional Regression Models
本文对高维回归模型（包括线性和逻辑斯谛回归）的统计推断和多重检验的最新发展进行了选择性的综述。我们检查的置信区间和假设检验的各种低维目标，如回归系数和线性和二次泛函的建设。其关键技术是为目标低维目标生成去偏和去parasized估计器，并估计其不确定性。除了涵盖这些统计方法背后的动机和直觉之外，我们还讨论了它们在高维推理背景下的最优性和自适应性。此外，我们还回顾了基于多元回归模型的统计推断的最新发展和高维回归的大规模多重检验的进展。R包SIHR已经实现了本文讨论的一些高维推理方法。
2023-01-25 math.ST stat.ME stat.TH
Rigidity theory in statistical inference
Tulane University（杜兰大学）
本文探讨了高斯模型最大似然阈值与刚性理论的关系。
2026-01-15 math.CO math.ST stat.TH
A New Family of Divergences Originating from Model Adequacy Tests and Application to Robust Statistical Inference
最小散度方法是各种统计应用中的流行工具。我们认为管状模型充分性测试，并证明，在这个过程中产生的新的分歧是非常有用的强大的统计推断。特别是，我们表明，家庭的$S$ -分歧，可以选择开发使用管状模型充分性测试，进一步应用的范例产生一个更大的超家庭的分歧。我们描述了这个更大的类的属性及其在鲁棒推理中的潜在应用。一路上，失败的一阶影响函数分析，在捕捉这些程序的鲁棒性也成立。
2018-01-15 math.ST stat.ME stat.TH
Online Statistical Inference for Stochastic Optimization via Kiefer-Wolfowitz Methods
本文研究随机优化参数的在线统计推断，分析随机搜索方向下 AKW 估计量的渐近分布及其效率与查询复杂度权衡，并给出两种置信区间构造方法。
2023-12-10 math.ST stat.ML stat.TH
Adaptive Estimation and Statistical Inference for High-Dimensional Graph-Based Linear Models
我们考虑了高维图基线性模型的自适应估计和统计推断。在我们的模型中，回归系数的坐标对应于底层的无向图。此外，给定的图控制回归向量的分段多项式结构。在自适应估计部分，我们应用基于图的正则化技术，并提出了一个家庭的局部自适应估计称为Graph-Piecewise-Polynomial-Lasso。我们进一步研究了图分段多项式套索的一步更新问题的统计推断。我们发展了相应的理论，包括固定设计和亚高斯随机设计。最后，我们通过大量的模拟研究说明了我们的方法的优越性能，并以拟南芥微阵列数据集的应用作为结论。
2020-01-29 math.ST stat.ME stat.TH
Statistical Inference for Oscillation Processes
针对具有特定振荡模式的时间序列提出了一种新的模型。该模型由一个隐藏的阶段过程控制的轮询速度和非参数曲线表征的模式，导致一起到一个广义的状态空间模型。证明了模型的可辨识性，并提出了一种基于粒子平滑器和非参数EM算法的统计推断方法。特别是，振荡模式和不可观测的相位过程的估计。所提出的算法是计算效率和它们的性能进行评估，通过模拟和应用到人体心电图记录。
2016-08-12 math.ST stat.AP stat.TH
On The Problem of Relevance in Statistical Inference
本文致力于“50年的相关性问题”-一个长期被忽视的话题，提请注意实际统计学家谁是关注的问题，从大规模的异构数据的推断。
2021-05-04 math.ST stat.ME stat.ML
Statistical inference for Bures-Wasserstein barycenters
本文引入Bures-Wasserstein重心$Q_*$的概念，它实质上是某个分布$\mathbb{P}$的Fréchet平均，该分布支撑在半正定Hermitian算子$\mathbb{H}_{+}(d)$的子空间上.我们允许重心被限制在$\mathbb{H}_{+}(d)$的某个仿射子空间中，并给出了保证重心存在唯一的条件。我们还调查的$Q_*$在Frobenius范数和Bures-Wasserstein距离的经验对应的收敛性和浓度特性，并解释，如何获得的结果连接到最优输运理论，并可以应用于量子力学中的统计推断。
2019-02-11 math.ST stat.AP stat.TH
Statistical Inference for High-Dimensional Robust Linear Regression Models via Recursive Online-Score Estimation
本文提出将递归在线得分估计（ROSE）框架扩展至非凸惩罚M估计，用于稳健高维线性回归的估计与推断，并证明估计量的一致性与渐近正态性，模拟和实际应用验证了其优越性。
2025-04-12 math.ST stat.ME stat.TH
Extended Fiducial Inference: Toward an Automated Process of Statistical Inference
Purdue University（普渡大学）；Harvard Medical School（哈佛医学院）；Harvard Pilgrim Health Care Institute（哈佛朝圣者医疗保健研究所）；University of Pennsylvania（宾夕法尼亚大学）
本文提出扩展置信推断（EFI），结合随机梯度MCMC与稀疏深度神经网络，实现大数据下参数不确定性推断的自动化，并在参数估计和假设检验中优于传统方法。
2024-07-31 cs.LG math.ST stat.ML
Statistical inference for critical continuous state and continuous time branching processes with immigration
本文研究了基于离散时间（低频）观测的临界连续状态和连续时间移民分枝过程的条件最小二乘估计的渐近性态。
2015-03-23 math.PR math.ST stat.TH
On the Limits of Topological Data Analysis for Statistical Inference
本文从统计推断视角审视拓扑汇总统计量，研究了实现有效统计推断的充分必要条件，并提供了对拓扑汇总具有不变性的模型示例。
2024-02-15 math.AT math.PR math.ST
Statistical Inference for Perturbed Multiscale Dynamical Systems
研究了小噪声扰动下多尺度动力系统的统计推断。我们证明了一致性，渐近正态性，和收敛的所有缩放矩的适当构造的最大似然估计（MLE）的参数的兴趣，精确地确定其限制方差。我们允许充分依赖的系数在缓慢和快速的过程中，这需要在整个欧几里得空间的值;系数在方程中的缓慢过程不需要有界，也没有假设的周期性依赖。研究结果为小噪声扰动下多尺度动力系统的标定提供了理论依据。从数值模拟的数据来说明的理论。
2016-06-15 math.PR math.ST stat.TH
Statistical inference for 2-type doubly symmetric critical irreducible continuous state and continuous time branching processes with immigration
研究了基于离散时间（低频）观测的带移民的2型双对称临界不可约连续状态和连续时间分支过程的条件最小二乘估计的渐近性态.
2015-04-08 math.PR math.ST stat.TH
Do More Predictions Improve Statistical Inference? Filtered Prediction-Powered Inference
Xiamen University（厦门大学）；Purdue University（普渡大学）
本文提出FPPI框架，通过选择性整合预测以提升推断效率，应对预测质量不均的问题。
2026-02-11 math.ST stat.ML stat.TH
Statistical inference in massive datasets by empirical likelihood
本文将分治法与经验似然法相结合，提出了一种新的海量数据统计推断方法。与目前流行的两种方法（小Bootstrap包法和二次抽样Bootstrap法）相比，该方法充分利用了数据集，减少了计算量。大量的数值研究和实际数据分析表明，我们所提出的方法的有效性和灵活性。此外，我们的方法的渐近性质。
2020-04-18 math.ST stat.ME stat.ML
Geometric Inference for General High-Dimensional Linear Inverse Problems
本文提出了一个统一的几何框架的一般不适定线性逆模型的统计分析，其中包括作为特殊情况的噪声压缩感知，符号向量恢复，跟踪回归，正交矩阵估计，和噪声矩阵完成。我们提出了计算上可行的凸规划的统计推断，包括估计，置信区间和假设检验。一个理论框架的特点的局部估计收敛速率，并提供统计推断保证。我们的结果是建立在局部圆锥几何和对偶的基础上。统计推断的困难是通过高斯宽度和Sudakov minoration估计的局部切锥的几何特征来捕获的。
2015-06-16 math.ST stat.ML stat.TH
On Quantum Statistical Inference, II
最近，随着研究小量子系统的实验技术的巨大发展，对与量子系统测量有关的统计推断问题的兴趣大大增加。此外，量子测量理论的发展使概率计算的基本数学框架更接近经典概率论。本文件回顾了这一领域，并提出了一些新的概念，并相互关联的经典统计推断的量子背景下的扩展。
2003-12-14 math.PR math.ST quant-ph
Optimal Universal Quantum Encoding for Statistical Inference
The University of Melbourne（墨尔本大学）
该研究针对量子统计推断的经典数据编码问题，证明最大量子泄漏量是编码质量的通用衡量指标，得出纯态可实现最优通用编码、比特充足时基矢编码最优的结论，并提出了数值求解的迭代方法。
2024-04-12 cs.LG eess.SP math.ST
Direct and approximately valid probabilistic inference on a class of statistical functionals
现有的概率推理框架假设感兴趣的数量是一个假设的统计模型的参数。然而，在机器学习应用中，通常没有统计模型/参数;感兴趣的数量是统计函数，是底层分布的一个特征。基于模型的方法只能间接地处理这些问题，通过从模型参数到感兴趣的实际量的边缘化。在这里，我们开发了一个广义推理模型（IM）框架，直接概率不确定性量化的数量感兴趣。特别是，我们构建了一个依赖于数据的，基于Bootstrap的可能性测度的不确定性量化和推理。然后，我们证明，这种新的方法提供了近似有效的推理的意义上，分配给假设的未知量的可扩展性值是渐近良好校准的频率论意义上的。除其他事项外，这意味着，置信区域的基础功能，从我们提出的IM是近似有效的。该方法在关键的例子中表现良好，包括分位数回归，并在个性化医疗应用。
2022-06-09 math.ST stat.ME stat.TH
Statistical Inference on Latent Space Models for Network Data
本研究针对网络数据潜在空间模型缺乏统计推断理论的问题，提出一个通用框架分析最大似然估计量的理论性质，建立了不同边类型与链接函数下的一致性和渐近分布结果，并推广至依赖边和稀疏场景，为链接预测等下游推断提供理论支持。
2025-08-13 math.ST stat.ME stat.TH
Statistical Inference and Exact Saddle Point Approximations
统计推断可以遵循频率论方法，或者可以遵循贝叶斯方法，或者可以使用最小描述长度原则（MDL）。我们的目标是确定这些不同的统计推断方法一致的情况。证明了对于指数族，MDL和贝叶斯推论一致的充要条件是共轭指数族的重整化鞍点逼近是精确的。对于一维指数族，唯一具有精确重整化鞍点近似的族是高斯位置族、Gamma族和逆高斯族。它们是高斯位置族、Gamma族和泊松指数族的共轭族。前两个家族是自共轭的，这意味着只有对于前两个家族，贝叶斯方法与频率论方法是一致的。在更高的维度中，有更多的例子。
2018-05-06 cs.IT math.IT math.ST
Statistical inference with belief functions: A survey
Institute for AI, Data Analysis and Systems (AIDAS)（人工智能、数据分析与系统研究所）；School of Engineering, Computing & Mathematics, Oxford Brookes University（工程、计算与数学学院，奥克斯伯里大学）
综述基于信念函数的统计推断方法，探讨如何从统计数据中学习信念测度，并总结该领域的主要贡献。
2026-05-08 cs.AI cs.LG math.ST
Statistical inference using SGD
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；IBM T.J. Watson Research Center, Yorktown Heights（IBM T.J. Watson 研究中心，约克镇高地）
我们提出了一种新的方法，频率统计推断$M$估计问题，随机梯度下降（SGD）的基础上，具有固定的步长：我们证明，这种SGD序列的平均值可以用于统计推断，经过适当的缩放。使用Ornstein-Uhlenbeck过程的直观分析表明，这样的平均值是渐近正态的。从实践的角度来看，我们的SGD为基础的推理过程是一个一阶的方法，非常适合于大规模的问题。为了展示其优点，我们将其应用于合成和真实数据集，并证明其准确性与经典统计方法相当，同时需要的计算量可能少得多。
2017-11-19 cs.AI cs.LG math.OC
An integrative approach based on probabilistic modelling and statistical inference for morpho-statistical characterization of astronomical data
本文介绍了在天文学和宇宙学中的几个应用，解决了使用概率建模和统计推断。
2015-10-19 astro-ph.IM stat.AP
Statistical Inference for Low-Rank Tensor Models
本文提出统一框架，通过去偏与切空间投影推断低Tucker秩张量的一般及结构化线性泛函，实现渐近正态与极小化极大最优置信区间，填补了高维张量统计推断的方法论空白。
2025-01-27 math.ST stat.ME stat.ML
Statistical inference for Sobol pick freeze Monte Carlo method
许多数学模型涉及输入参数，这些参数不是精确已知的。全局敏感性分析旨在确定其不确定性对感兴趣的数量（模型输出）的变异性影响最大的参数。用于量化每个输入变量对输出的影响的统计工具之一是Sobol敏感性指数。我们考虑从模型输出的有限样本中对该指数进行统计估计。研究了Sobol指标的两种估计的渐近性和非渐近性。这些性质适用于显著性检验和置信区间估计。
2013-03-26 math.ST stat.AP stat.ME
Equi-energy sampler with applications in statistical inference and statistical mechanics
我们介绍了一种新的采样算法，等能量采样器，有效的统计采样和估计。作为广泛使用的温度域方法的补充，等能量采样器利用温度-能量对偶性，直接针对能量。对能量函数的关注不仅有利于有效的采样，而且还为统计估计提供了强有力的手段，例如，在统计力学中计算态密度和微正则平均值。等能量采样器被应用于各种问题，包括统计学中的指数回归，计算生物学中的模体采样和生物物理学中的蛋白质折叠。
2006-11-08 astro-ph math.ST physics.comp-ph
On Statistical Inference for High-Dimensional Binary Time Series
University of California San Diego（加利福尼亚大学圣地亚哥分校）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种用于高维二元时间序列的后选择估计器及二阶野 Bootstrap 算法，以实现对系数矩阵的统计推断，并验证了其良好的有限样本性能。
2025-12-02 math.ST stat.AP stat.ME
A very short guide to IOI: A general framework for statistical inference summarised
综合有机推理（IOI）是讨论在一个简洁和非正式的方式，目的是给读者的要点是什么，这种方法，以统计推断是关于以及给予指针，以进一步阅读。
2021-04-23 stat.ME stat.OT
Statistically and Computationally Optimal Estimation and Inference of Common Subspaces
针对多个对称低秩矩阵共享公共子空间的问题，提出基于投影梯度下降和谱平方和初始化的估计器，在强估计信噪比下达到最优 sinΘ 误差率，并在强推断信噪比下实现渐近正态分布的自适应置信区间。
2026-06-04 math.OC math.SP math.ST
Approximate Newton-based statistical inference using only stochastic gradients
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Rice University（莱斯大学）
我们提出了一个新的统计推断框架凸经验风险最小化，使用近似随机牛顿步骤。该算法是基于有限差分的概念，并允许从一阶信息的海森矢量积的近似。在理论上，我们的方法有效地计算的统计误差协方差$M$估计，无论是非正则凸学习问题和高维LASSO回归，而不使用精确的二阶信息，或重新搜索整个数据集。我们还提出了一个随机梯度抽样方案的统计推断非独立同分布。时间序列分析，其中我们对连续的索引块进行采样。在实践中，我们证明了我们的框架在大规模机器学习问题上的有效性，甚至超越了凸性：作为一个亮点，我们的工作可用于检测神经网络上的某些对抗攻击。
2019-02-05 cs.CV cs.LG math.OC
Statistical Inference for Gradient Boosting Regression
School of Economics, Fudan University（复旦大学经济学院）；Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系）
本文提出融合 dropout/并行训练与正则化的梯度提升回归统计推断框架，基于中心极限定理构建区间估计与变量重要性检验。
2025-09-27 cs.LG math.ST stat.ME
Statistical inference for statistical decisions
Wald发展的统计决策理论解决了样本数据的决策问题。Wald的统计决策函数（SDF）概念包含了[data -> decision]形式的所有映射。SDF不需要进行统计推断;也就是说，它不需要使用数据来得出关于自然真实状态的结论。基于推理的SDF具有顺序形式[数据->推理->决策]。本文激励基于推理的SDF作为决策的实际程序，可能会完成一些沃尔德设想。本文首先解决二元选择问题，所有的SDF可以被视为假设检验。它接下来考虑假设优化，它使用真实状态的点估计，就好像估计是准确的一样。然后，它扩展了这个想法，如果最大和最小最大遗憾的决定，使用点估计的一些功能的真实状态，如果他们是准确的。本文主要采用有限样本最大遗憾来评估基于推理的SDF的性能。为了说明抽象的想法，它提出了具体的调查结果，处理选择和点预测样本数据。
2019-09-15 econ.EM stat.ME
