SLANTS: Sequential Adaptive Nonlinear Modeling of Vector Time Series
提出了一种矢量时间序列数据的自适应非线性序贯建模方法。数据被建模为被噪声破坏的过去值的非线性函数，并且假设潜在的非线性函数在样条基中是近似可扩展的。我们将数据建模转化为在多维样条基的线性跨度中找到一个良好的拟合表示，并使用l1惩罚正则化的变体来降低表示的维数。使用自适应滤波技术，我们设计了我们的在线算法，自动调整的基础参数的正则化顺序预测误差的最小化。我们证明了所提出的方法在合成和真实世界的数据集上的通用性和灵活性。此外，我们分析研究我们的算法的性能，通过获得两个界的预测误差，和变量选择的一致性结果。
2016-10-15 stat.ME
Nonparametric sequential prediction of time series
时间序列预测涵盖了医学、环境和经济等领域的日常统计应用。在本文中，我们开发的非参数预测策略的基础上组合的一组“专家”，并显示这些策略的普遍一致性的最低条件下。我们对现实世界的数据集进行了深入的分析，结果表明，这些非参数策略更灵活，更快，在归一化累积预测误差方面通常优于ARMA方法。
2008-01-02 math.PR stat.ME
Nyström Regularization for Time Series Forecasting
Xi’an Jiaotong University（西安交通大学）；Southwestern University of Finance and Economics（西南财经大学）
研究了$τ$ -混合时间序列的Nyström正则化算法的学习率分析。利用最近发展的$τ$ -混合序列的Banach值Bernstein不等式和基于二阶分解的积分算子方法，我们成功地得到了$τ$ -混合序列的Nyström正则化的几乎最优学习率.一系列的数值实验验证了我们的理论结果，显示了良好的学习性能的Nyström正则化与顺序下采样学习海量时间序列数据。这些结果扩展了Nyström正则化的适用范围。样本至非i.i.d.序列的
2021-11-13 cs.LG stat.ML
One-step ahead sequential Super Learning from short times series of many slightly dependent data, and anticipating the cost of natural disasters
假设我们观察到一个短的时间序列，其中每个时间t特定的数据结构由许多由a索引的略微相关的数据组成，并且我们想要估计实验定律的一个特征，该特征既不依赖于t也不依赖于a。我们开发和研究的算法，学习顺序的基础算法在用户提供的集合最好的进行估计任务的超额风险和神谕不等式。该分析使用依赖图来建模每个特定于t的数据结构内的条件独立性的量和Janson [2004]的集中不等式，在面对少量特定于t的数据结构时，利用了不同a的数量与依赖图的程度的大比例。所谓的领先一步的超级学习者适用于激励的例子，挑战是预测法国自然灾害的成本。
2021-07-28 math.ST stat.TH
Sequential Break-Point Detection in Stationary Time Series: An Application to Monitoring Economic Indicators
通过预警系统监测经济状况和金融稳定，是预防突发经济事件的一种机制。本文通过大量的仿真实验，研究了平稳时间序列回归模型的序贯断点检测器的统计性能。我们采用在线序列计划来监测欧洲和美国金融市场在2008年金融危机期间的经济指标。我们的研究结果表明，这些测试的性能适用于平稳的时间序列回归，如AR（1）以及AR（1）-GARCH（1，1）依赖于严重程度的突破，以及在样本周期内的断点的位置。因此，我们的研究提供了一些有用的见解，从业者在经济和金融条件下的连续断点检测。
2021-12-13 stat.AP
Sequential Order-Robust Mamba for Time Series Forecasting
Yonsei University（延世大学）
针对Mamba应用于时间序列预测时引入的通道顺序偏差问题，提出SOR-Mamba方法，通过正则化策略、移除一维卷积及通道相关性建模预训练任务提升鲁棒性与通道依赖捕捉能力，在多场景下验证有效。
2024-10-30 cs.AI cs.LG stat.ML
A simple randomized algorithm for sequential prediction of ergodic time series
我们提出了一个简单的随机过程的预测的二进制序列。该算法使用的想法，从最近的发展理论的预测个别序列。我们表明，如果序列是一个实现的平稳和遍历的随机过程，然后平均错误数收敛，几乎可以肯定，最佳的贝叶斯预测。期望的有限样本性质的预测器说明其性能的马尔可夫过程。在这种情况下，即使不知道马尔可夫过程的阶数，预测器也表现出接近最优的行为。还考虑了具有边信息的预测。
2008-05-20 cs.IT math.IT math.ST
Segmenting High-dimensional Matrix-valued Time Series via Sequential Transformations
矩阵值时间序列建模是一个有趣而重要的研究课题。在本文中，我们将Chang et al.（2017）的方法扩展到矩阵值时间序列。对于任何给定的$p\times q$矩阵值时间序列，我们寻找线性变换将矩阵分割成许多小的子矩阵，对于这些子矩阵中的每一个，它们都与其他子矩阵同时或连续地不相关，因此它们可以被单独分析，这将大大减少在建模方面要估计的参数的数量。为了克服识别问题，我们提出了一个两步和更结构化的过程，分别分割行和列。当$\max(p,q)$相对于样本量$n$较大时，我们假设变换矩阵是稀疏的，并对（自动）协方差阵使用阈值估计。我们还提出了一种分块阈值方法来分离变换后的矩阵值数据的列（或行）。建立了固定和发散$\max(p,q)$的渐近性质。与独立数据的主成分分析（PCA）不同，我们不能保证所需的线性变换存在。当它不，所提出的方法提供了一个近似的分割，这可能是有用的预测。仿真和实际数据的例子说明了所提出的方法。我们还提出了一个序列变换算法来分割高阶张量值时间序列。
2020-02-09 stat.ME
The Conditional Cauchy-Schwarz Divergence with Applications to Time-Series Data and Sequential Decision Making
UiT - The Arctic University of Norway（挪威北极大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Florida（佛罗里达大学）；NORCE Norwegian Research Centre（NORCE挪威研究中心）；Copenhagen University（哥本哈根大学）；Norwegian Computing Center（挪威计算中心）
本文提出可由核密度估计的条件 CS 散度，用于衡量条件分布接近度，并在时间序列聚类与不确定性引导的序贯决策探索中验证其优势。
2025-03-16 cs.IT cs.LG math.IT
Sequential Detection of a Temporary Change in Multivariate Time Series
在这项工作中，我们的目标是提供一个新的和有效的递归检测方法的临时监测信号。受传感器场上事件传播的情况的启发，我们假设监测信号中统计特性的变化只能是暂时的。不幸的是，据我们所知，现有的递归和简单的检测技术，如基于累积和（Cumulative sum，Cumulative sum）的检测技术，不考虑多变量时间序列中的变化的临时方面。在本文中，我们提出了一种新的简单而有效的顺序检测算法，名为临时事件的检测（TE-STRUUM）。通过结合一种新的自适应方式来聚合来自每个数据流的局部CRACUUM变量，我们根据经验表明，TE-CRACUUM在非常嘈杂的环境中通过传感器的事件的情况下具有非常好的检测率。
2022-03-15 eess.SP stat.AP
Modern Sequential Analysis and its Applications to Computerized Adaptive Testing
本文研究序贯广义似然比检验在心理测量与计算机化自适应测试中的应用，扩展其渐近最优性理论，并提出性能显著更优的自适应掌握测试设计。
2011-06-13 math.ST stat.ME stat.TH
An adaptive sequential optimum design for model selection and parameter estimation in non-linear nested models
这篇论文已被作者撤回，因为它已被大幅修改。
2011-12-20 math.ST stat.ME stat.TH
Sequential Change-point Detection for Compositional Time Series with Exogenous Variables
本文针对成分时间序列提出广义Beta AR(1)模型，可纳入外生变量，并基于极大似然估计提出参数化序贯变点检测方法，应用于Covid-19阳性率数据。
2025-09-09 math.ST stat.ME stat.TH
Adaptive sequential estimation for ergodic diffusion processes in quadratic metric. Part 2: Asymptotic efficiency
证明了第一部分中构造的方法的渐近有效性，即Pinsker常数在极小极大二次风险的渐近下界内。结果表明，所构造的过程的渐近极小极大二次风险与这个常数相吻合。
2008-04-10 math.ST stat.TH
Sequential monitoring of response-adaptive randomized clinical trials
临床试验是复杂的，通常涉及多个目标，如控制I型差错率，增加检测治疗差异的能力，分配更多的患者接受更好的治疗等。在文献中，反应自适应随机化（RAR）程序（通过顺序地改变随机化程序）和顺序监测（通过顺序地改变分析程序）已被提出在一定程度上实现这些目标。在本文中，我们提出了顺序监测反应适应随机临床试验，并研究了它的性质。证明了新方法的序贯检验统计量按分布收敛于一个布朗运动。此外，我们证明了序贯检验统计量渐近满足Jennison和Turnbull（\citeyearJT 00）中定义的典型联合分布。因此，通过选择适当的边界，理论上可以实现I类误差和其他目标。这些结果为在实践中顺序监测反应适应性随机临床试验打开了一扇大门。我们还可以从模拟研究中观察到，所提出的程序在处理功效、总样本量和总失败数方面汇集了两种技术的优势，同时保留了第一类错误。此外，我们通过重新设计一个著名的母婴HIV传播的临床试验来说明所提出的程序的特点。
2010-10-19 math.ST stat.TH
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者，他负责收集观察结果，以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类：i）顺序与非顺序; ii）自适应与非自适应。非序贯策略收集固定数量的观测样本，然后做出最终决策;而在序贯策略下，样本大小最初是未知的，由观测结果决定。在自适应策略下，决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下，动作的选择与过去的观测结果无关。在本文中，性能界限提供的政策在每一类。使用这些界限，序列性增益和自适应性增益，即，表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
Adaptive methods for sequential importance sampling with application to state space models
在本文中，我们讨论新的自适应建议策略的序贯蒙特卡罗算法-也被称为粒子滤波器-依靠标准的质量评估建议的粒子。建议分布的选择是一个主要的问题，可以极大地影响估计的质量。因此，我们展示了如何长期使用的权重的变异系数可以用于估计辅助粒子滤波器的目标和仪器分布之间的卡方距离。作为这种分析的副产品，我们得到一个辅助调整乘数权重类型，这种卡方距离是最小的。此外，我们建立了一个经验估计的线性复杂性的库尔贝克-莱布勒散度之间的分布。在此基础上，讨论了粒子滤波器建议分布的自适应设计问题，并给出了数值例子。
2008-08-23 math.ST stat.CO stat.ME
Efficient adaptive designs with mid-course sample size adjustment in clinical trials
自适应设计已被提出用于临床试验，其中干扰参数或感兴趣的替代方案是未知的或可能在试验前被错误指定。鉴于大多数以前的作品中的自适应设计和中期样本量重新估计集中在两个阶段或组序贯设计在正常情况下，我们认为在这里一个新的方法，涉及最多三个阶段，并在多参数指数家庭的一般框架。这种方法不仅保持了规定的第一类错误概率，而且还提供了一个简单但渐近有效的序贯检验，其有限样本性能，以预期的样本量和功效函数衡量，与动态规划确定的最优序贯设计相当，在简化的正态均值情况下，已知方差和预先指定的替代方案，并且优于现有的两阶段设计，也优于当备选或干扰参数未知或错误指定时的自适应组序贯设计。
2011-05-17 math.ST stat.ME stat.TH
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验，采用自适应和非自适应策略。在这种设置中，顺序地请求未知状态的样本，并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下，无论是在预期还是高概率，我们表现出自适应策略，最大限度地减少这两种类型的错误识别错误。也就是说，我们表明，这些错误呈指数下降（在停止时间）的衰减率由两个国家之间的测量相对熵。此外，如果我们允许对多个样本进行联合测量，则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数，并提供了数值证据表明，自适应测量是必要的，以实现我们的界限下，一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
Adaptive efficient robust sequential analysis for autoregressive big data models
在本文中，我们考虑通过自回归过程定义的依赖观测的高维模型。对于这样的模型，我们开发了一个自适应有效的估计方法，通过稳健的序贯模型选择程序。为此，首先利用Van Trees不等式，得到了鲁棒风险的一个精确的下界，该下界由著名的Pinsker常数给出.应该注意的是，对于这种模型，该常数是首次计算的。然后，利用加权最小二乘法和尖锐的非渐近预言不等式，我们提供了效率性质的极小极大意义下的估计程序，即我们建立，其风险的上界与所获得的下界一致。应该强调的是，这一性质是在不使用稀疏条件和参数维数和模型正则性未知的自适应设置中获得的。
2021-04-16 math.ST stat.TH
To Study Properties of a Known Procedure in Adaptive Sequential Sampling Design
研究自适应顺序抽样设计中Bhandari等人提出的程序，通过理论分析证明低效药物应用次数为有限随机变量，扩展至多治疗设置，并通过模拟和真实数据验证其稳定性和伦理优势。
2025-06-27 math.ST stat.ME stat.TH
Sequential Change Diagnosis Revisited and the Adaptive Matrix CuSum
考虑了连续变化诊断问题，在线获取观测值，观测值分布发生突变，目标是快速检测变化并准确识别变化后的分布，同时控制虚警率.一个有限集的替代品被假定为后的变化制度，但没有事先的信息是假设为未知的变点。针对该问题提出的许多算法的缺点是隐式地使用改变前的数据来确定改变后的分布。这可能导致非常大的错误识别的条件概率，假定没有错误警报，除非在监视开始后不久发生变化。提出了一种新的，递归算法，并解决这个问题，而不使用额外的调谐参数，而不牺牲控制的最坏情况下的延迟在Lorden的意义。理论分析进行一般家庭的顺序变化诊断程序，支持所提出的算法，并修改某些国家的最先进的结果。此外，一个新的，全面的方法，提出了设计和评价的顺序变化诊断算法。这种方法与模拟研究，现有的程序相比，建议。
2022-11-23 math.ST stat.ME stat.TH
Nonlinear sequential designs for logistic item response theory models with applications to computerized adaptive tests
随着现代计算机技术的发展，计算机化自适应测试越来越受到人们的欢迎。它与传统的标准化考试不同之处在于，试题的选择是根据考生的能力水平而定的。由此产生的选择策略是一个非线性的序贯设计问题。在本文中，我们研究的序贯设计问题的背景下，逻辑的项目反应理论模型。我们表明，通过最大化项目信息获得的自适应设计导致一个一致的和渐近正态的能力估计的情况下，Rasch模型。最大信息方法的修改，提出了两个和三个参数的逻辑模型。类似的渐近性质的修改后的设计和由此产生的估计。在两参数Logistic模型的情况下，给出了例子，表明没有这样的修改，能力参数的极大似然估计可能是不相容的。
2009-06-10 math.ST stat.TH
Adaptive two-stage sequential double sampling
在许多调查中，廉价的辅助变量可以帮助我们对主要变量做出更精确的估计。利用辅助变量的回归估计已被推广到罕见和集群人口。在传统的回归估计中，假设总体中辅助变量的均值是已知的。在许多调查中，我们没有关于辅助变量的如此广泛的信息。在本文中，我们提出了一个多阶段变量的两阶段序贯抽样的基础上，一个廉价的辅助变量与双重抽样形式的调查变量。辅助变量将用于设计和估计阶段。总体均值的估计采用两个不同系数的修正回归型估计。将使用Median和Thompson（2004）的一些模拟来研究结果。
2018-03-12 math.ST stat.TH
Info-Greedy sequential adaptive compressed sensing
提出 Info-Greedy Sensing 自适应压缩感知框架，通过序贯选择最大化条件信息增益的测量，为 k-稀疏、高斯及 GMM 信号设计算法，并验证其性能与鲁棒性。
2015-02-02 cs.IT math.IT math.ST
Sequential Monte Carlo as Approximate Sampling: bounds, adaptive resampling via $\infty$-ESS, and an application to Particle Gibbs
序贯蒙特卡罗（SMC）算法最初是为估计状态空间模型中的棘手条件期望而设计的，但现在通常用于在通用贝叶斯推理的上下文中生成近似样本。特别是，SMC算法经常被用作子程序内较大的蒙特卡罗计划，在这种情况下，放在SMC的要求是不同的：控制的均方误差是不够的-一个需要控制的发散直接从目标分布。为了实现这一目标，我们引入了条件自适应恢复粒子滤波器，建立在Gordon，Salmond和Smith（1993），Andrieu，Doucet和Holenstein（2010）以及Whiteley，Lee和Heine（2016）的工作基础上。通过控制有效样本量的新概念，$\infty$ -ESS，我们建立了由此产生的SMC采样算法的效率，提供了Andrieu，Lee和Vihola（2013）工作的自适应恢复扩展。我们应用我们的研究结果，以达到新的发散范围SMC采样器的自适应rescue以及自适应rescue版本的粒子吉布斯算法具有相同的几何遍历保证其非自适应对应。
2017-04-10 math.ST stat.CO stat.TH
On adaptive resampling strategies for sequential Monte Carlo methods
序贯蒙特卡罗（SMC）方法是一类结合重要性抽样和恢复步骤从任意概率分布序列中近似抽样的技术。本文研究一类SMC方法的收敛性分析，其中，利用有效样本量等准则在线计算响应发生的时间。这是一个流行的做法，从业者之间，但有很少的收敛结果，这些方法。通过结合半群技巧和一个原始的耦合变元，我们得到了这些算法的泛函中心极限定理和一致指数浓度估计。
2012-03-02 math.ST stat.TH
A $p$-step-ahead sequential adaptive algorithm for D-optimal nonlinear regression design
本文提出一种每阶段添加p个设计点的序贯自适应算法，用于非线性回归模型的D-最优设计，并证明在饱和可识别性条件和广义线性模型下估计量具有强一致性与渐近正态性，从而保证设计序列的渐近D-最优性。
2023-07-05 math.ST stat.TH
Sequential Monte Carlo with Adaptive Weights for Approximate Bayesian Computation
近似贝叶斯计算（ABC）方法越来越多地用于复杂模型的分析。ABC的一个主要挑战是克服基于先验预测抽样的接受/拒绝方法中通常固有的高拒绝率问题。一些最近的发展旨在解决这个问题的扩展的基础上序贯蒙特卡罗（SMC）的战略。我们在此基础上，介绍了一种ABC SMC方法，该方法使用基于数据的自适应权重。这种易于实现和计算平凡的ABC SMC扩展可以大大提高接受率，如一系列模拟和真实数据集的例子所示，包括当前系统生物学应用中动态建模的热门例子。
2015-03-26 math.ST stat.CO stat.TH
Sequential Design for Computerized Adaptive Testing that Allows for Response Revision
在计算机自适应测试（CAT）中，根据已经观察到的反应实时选择项目（问题），以便尽可能准确地估计考生的能力。这通常被公式化为非线性、顺序、试验设计问题，其具有对应于真或假响应的二进制观测。然而，在实践中，大多数项目是多项选择和二分模型没有充分利用现有的数据。此外，CAT因不允许考生复习和修改答案而受到严厉批评。在这项工作中，我们提出了一种新的CAT设计，它是基于多分类的名义上的响应模型，并允许考生在测试过程中的任何时候修改他们的反应。我们表明，作为管理项目的数量趋于无穷大，建议的估计是（i）强一致的任何项目的选择和修订策略和（ii）渐近正常时，选择的项目，以最大限度地提高Fisher信息在当前的能力估计和修订的数量是小于的项目数量。我们还提出了一个模拟研究的结果，支持我们的渐近结果。
2015-01-07 math.ST stat.AP stat.ME
Sequential Monte Carlo on large binary sampling spaces
如果蒙特卡罗算法使用过去的模拟自动校准其当前的建议分布，则称其为自适应的。定义建议分布集的参数族的选择对于良好的性能至关重要。在本文中，我们提出了这样一个参数族的自适应采样高维二进制空间。这个问题的一个实际动机是变量选择在线性回归上下文中。我们希望使用适当版本的序贯蒙特卡罗从模型空间上的贝叶斯后验分布中采样。原始版本的序贯蒙特卡罗很容易使用具有独立分量的二进制向量实现。然而，对于高维问题，这些简单的建议并不能产生令人满意的结果。一个有效的自适应算法的关键是考虑相关性的二元参数族，类似于连续空间上的多元正态分布。我们提供了二进制数据的模型的审查，并使其中之一的顺序蒙特卡罗抽样的上下文中工作。对大约100个协变量的真实数据的计算研究表明，在困难的情况下，我们的序贯蒙特卡罗方法明显优于基于马尔可夫链探索的标准技术。
2011-11-09 math.ST stat.CO stat.ME
Adaptive Sequential Change Detection using Mixtures of Predictive Distributions
Aalto University（阿尔托大学）；Princeton University（普林斯顿大学）
针对后变化分布未知的独立观测序列变化检测问题，提出一种基于滑动窗口预测分布混合的PM-CuSum算法，实现一阶渐近最优性且渐近延迟余项更小。
2026-06-18 math.ST stat.TH
Variance Estimation in Adaptive Sequential Monte Carlo
序贯蒙特卡罗（SMC）方法代表了通过简单的选择/突变机制来模拟一系列概率测度的一组经典技术。然而，相关联的选择函数和变异核通常取决于对算法的效率至关重要的调谐参数。解决这个问题的标准方法是应用自适应序贯蒙特卡罗（ASMC）方法，该方法包括利用样本历史给出的信息来调整参数。本文主要研究ASMC方法中的方差估计问题。具体来说，我们专注于渐近方差与Beskos等人定义的“限制”顺序蒙特卡罗算法一致的情况。（2016）。我们证明，在自然假设下，Lee和Whiteley（2018）在非自适应情况下引入的估计量（即，SMC）也是ASMC方法的渐近方差的一致估计量。要做到这一点，我们引入了一个新的估计，表示在合并树为基础的措施，并解释其与前一个连接。我们的估计器是通过跟踪相关的相互作用粒子系统的谱系构造的。我们使用的工具连接粒子马尔可夫链蒙特卡罗方法的研究和SMC方法中的方差估计问题。因此，他们可能会给一些新的见解时，处理复杂的谱系涉及问题的相互作用粒子系统在更一般的情况下。
2020-08-22 math.PR math.ST stat.CO
Poisson QMLE for change-point detection in general integer-valued time series models
我们一起考虑的回顾性和顺序变化点检测一般类的整数值时间序列。该过程的条件均值取决于参数$θ^*$，该参数可能随时间变化。我们提出的程序是基于泊松准最大似然估计的参数，更新的估计计算没有历史观测的顺序框架。对于回顾检测和序贯检测，在无变化的原假设下，检验统计量收敛于从标准布朗运动获得的一些分布，而在备选假设下发散到无穷大;也就是说，这些过程是一致的。文中给出了部分模拟结果和实际数据应用。
2020-07-27 math.ST stat.TH
