Distributional conformal prediction
我们提出了一个强大的方法来构建有条件的有效预测区间的基础上，如分位数和分布回归模型的条件分布。我们的方法可以应用于重要的预测问题，包括横截面预测，k步提前预测，综合控制和反事实预测，和个人的处理效应预测。我们的方法利用概率积分变换，并依赖于置换估计的秩。与回归残差不同，秩与预测因子无关，允许我们在异方差下构建有条件有效的预测区间。我们建立近似条件下的一致性估计的有效性，并提供近似无条件下的模型误设定，过拟合，和时间序列数据的有效性。我们还提出了一个简单的“形状”调整我们的基线方法，产生最佳的预测区间。
2021-08-21 econ.EM stat.ME
Conditional validity of heteroskedastic conformal regression
Ghent University（根特大学）
本文研究异方差回归中保形预测区间的条件有效性问题，通过归一化和Mondrian保形预测等方法构建自适应预测区间，并从理论和实验上系统比较了这些方法的条件有效性及其对数据分布假设的依赖关系。
2024-04-30 cs.LG stat.ML
Length Optimization in Conformal Prediction
University of Pennsylvania（宾夕法尼亚大学）
针对共形预测中条件有效性与长度效率难以兼顾的问题，提出带长度优化的共形预测框架CPL，可在多类协变量偏移下保证条件有效性并实现（近）最优预测集长度，实验表现优于现有最优方法。
2024-12-11 cs.AI cs.LG stat.ME
Goodness-of-fit tests for the one-sided Lévy distribution based on quantile conditional moments
本文提出基于前两阶分位数条件矩的尺度比框架，用于单侧Lévy分布的拟合优度检验，推导了渐近分布并通过实证功效研究和实际数据验证了其有效性。
2023-11-26 stat.ME
Fast and Powerful Conditional Randomization Testing via Distillation
我们考虑条件独立性检验问题：给定响应Y和协变量（X，Z），我们检验Y在给定Z的情况下独立于X的原假设。条件随机化检验（CRT）是最近提出的一种使用X分布信息的方法|使用任何维度中的任何检验统计量精确（非渐近）控制第一类错误，而不假设Y的任何情况|（X，Z）。原则上，这种灵活性允许人们从复杂的预测算法中获得强大的检验统计量，同时保持统计有效性。然而，在CRT中直接使用这种先进的检验统计量在计算上是非常昂贵的，特别是在多重检验的情况下，这是由于CRT需要对重新采样的数据多次重新计算检验统计量。我们提出了蒸馏CRT，一种新的方法，在CRT中使用最先进的机器学习算法，同时大大减少了这些算法需要运行的次数，从而利用它们的功率和CRT的统计保证，而不遭受通常的计算费用。除了蒸馏，我们提出了一些其他的技巧，如筛选和回收计算，以进一步加快CRT，而不牺牲其高功率和准确的有效性。事实上，我们在模拟中表明，我们所有的建议相结合，导致一个测试，具有类似的权力，最强大的现有CRT实现，但需要的数量级更少的计算，使其成为一个实用的工具，即使是大型数据集。我们通过识别与癌症分期相关的生物标志物，在乳腺癌数据集上证明了这些益处。
2021-06-04 stat.ME
On the Validity of Conformal Prediction for Network Data Under Non-Uniform Sampling
本文将网络抽样建模为超总体上的选择事件，证明置换不变性与联合可交换性可保证保形预测有限样本有效，并给出随机游走抽样下加权保形预测的渐近有效性。
2023-07-13 math.ST stat.ME stat.ML
Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection
Qiuzhen College, Tsinghua University（清华大学求真书院）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
本文提出CPA框架，通过训练可靠性估计器评估条件覆盖，引入CVI指数分解可靠性并证明其一致性，实验表明CPA能有效诊断局部失效模式。
2026-03-28 cs.LG stat.ME stat.ML
Conformal Prediction for Dyadic Regression Under Complex Missingness
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；University of Michigan（密歇根大学）
针对复杂缺失机制下的二元回归问题，提出共形预测框架，通过分布不变性条件替代可交换性，并利用双射论证处理随机子集样本，同时提出多种共形预测程序，包括图论加权方法，实现渐近条件有效性。
2026-09-17 math.ST stat.ME stat.ML
Conditional validity and a fast approximation formula of full conformal prediction sets
本文证明全共形预测集在稳定性条件下具有训练条件保守性，提出计算更快的近似公式，并证明其与全共形、交叉共形及Jackknife等方法在渐近训练条件覆盖上等价。
2025-08-07 math.ST stat.TH
Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction
EPITA（法国高等计算机与电子技术学院）
针对随机局部共形预测（RLCP）缺乏同时控制条件有效性和先验效率的有限样本保证的问题，本文在特定假设下推导了相关高概率界，阐明了带宽偏差-方差权衡，还分析了数据拆分学习得分的情况，为RLCP提供了理论支撑。
2026-08-07 cs.LG stat.ML
Large language model validity via enhanced conformal prediction methods
Stanford University（斯坦福大学）
针对现有共形语言建模方法保证无条有效性、易误删有效主张的问题，提出两种增强共形预测方法，推广条件共形流程并优化评分函数，在传记和医疗问答数据集验证了有效性，为LLM输出提供更可靠的有效性保证。
2024-10-31 cs.LG stat.ME stat.ML
A Unified Theory of Conditional Coverage in Conformal Prediction with Applications
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；School of Mathematics & Statistics, the University of Melbourne（墨尔本大学数学与统计学院）
本文提出一个统一框架，将条件覆盖不足分解为三个可解释成分，并基于此指导模型选择、开发局部化方法及扩展到结构化数据。
2026-06-02 stat.ME
High-Dimensional Extreme Quantile Regression
本文针对高维协变量场景提出新的极端条件分位数估计方法，建立了渐近性质，并通过模拟和汽车保险数据验证了其在极端索赔估计与变量选择上的有效性。
2024-11-21 stat.ME
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
Conditional empirical copula processes and generalized dependence measures
当条件事件具有非零概率时，研究了条件经验copula过程的弱收敛性。几个自助方案的有效性，包括可交换的自助。我们定义了一般可能条件多元相关测度及其估计量.应用我们的理论结果，我们证明了这类相依测度的一些估计的渐近正态性。
2020-08-21 math.ST stat.TH
Conformal Prediction With Conditional Guarantees
本文将条件覆盖重构为协变量偏移类上的覆盖，提出在边际与条件有效性之间插值的保形预测框架，可在有限维目标下实现精确有限样本覆盖，并量化无限维情形下的覆盖误差。
2024-09-16 stat.ME
The independence process in conditional quantile location-scale models and an application to testing for monotonicity
本文研究了位置-尺度环境下的非参数分位数回归模型。研究了基于协变量和估计残差的经验独立过程的渐近性质。特别地，证明了它的渐近展开和弱收敛于高斯过程.研究结果一方面可用于检验区位-尺度模型的有效性;另一方面，它们允许在条件分位数位置-尺度模型中导出各种规格检验。详细研究了条件分位数曲线的单调性检验。对于位置-尺度模型的有效性检验以及单调性检验，建议采用Kolmogorov-Smirnov和Cramer-von Mises型检验统计量的光滑残差自助版本。我们给出严格的证明自助版本的弱收敛结果。在模拟研究中证明了测试的性能。
2016-09-25 math.ST stat.TH
A Post-Processing Conformal Prediction Approach for Conditional Coverage via Pivotal Scores
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Univ Évry（埃夫里大学）
本文提出PIT-CP后处理校正方法，通过将非共形分数映射为近似特征不变的分数，在保持几何结构、可解释性和边际覆盖的同时实现条件覆盖，并利用一维条件密度估计替代原始结果空间的全条件密度估计。
2026-06-23 stat.ME
De-Biased Two-Sample U-Statistics With Application To Conditional Distribution Testing
针对含冗余参数的两样本U统计量推断问题，提出带交叉拟合的一步估计框架以消除一阶偏差，并将其应用于条件分布检验，揭示两类冗余参数对共形秩和检验有效性的不同影响。
2024-01-31 stat.ME
Posterior Conformal Prediction
National University of Singapore（新加坡国立大学）；Stanford University（斯坦福大学）
提出后验共形预测（PCP）方法，通过将条件非一致性得分分布建模为混合分布，在数据自然发现的簇上实现边际和近似条件有效性，产生更紧的预测区间。
2026-05-27 stat.ME stat.ML
Conditional Likelihood Ratio Test with Many Weak Instruments
London School of Economics（伦敦政治经济学院）；Hitotsubashi University（一桥大学）
本文扩展了Moreira(2003)提出的条件似然比检验，以处理误差方差未知且存在许多弱工具变量的工具变量回归模型。传统检验在估计误差方差时失去精确相似性且渐近无效，本文提出改进的临界值函数，证明在许多弱工具变量渐近下检验渐近有效。
2022-10-14 econ.EM math.ST stat.TH
Testing Alpha in High-Dimensional Conditional Time-Varying Factor Models with Dependent Observations
Nankai University（南开大学）
本文研究了在高维条件时间变化因子模型中具有时间依赖观测的Alpha测试问题，提出了一种基于B样条筛方法的求和检验、最大检验以及适应性推断的Cauchy组合检验，理论推导了估计的平均Alpha的随机展开，并证明了求和统计量的渐近正态性，以及最大统计量的极值极限理论。
2026-04-15 stat.ME
Flexible Conformal Highest Predictive Conditional Density Sets
本文提出共形最高条件密度集（CHCDS）方法，利用已有条件密度预测区域构造共形预测集，在保证名义无条件覆盖率的同时，数值实验显示其在多模态误差场景下优于现有方法。
2025-04-08 math.ST stat.ME stat.TH
Bootstrap inference for quantile-based modal regression
本文提出了基于分位数回归的条件模式统一推理方法。具体来说，我们提出了估计条件模式的估计条件分位数函数的导数最小化平滑的线性分位数回归估计定义，并开发了两个自助方法，一个新的枢轴自助和非参数自助，我们的条件模式估计。建立在高维高斯近似技术，我们建立了同时从两个引导方法的条件模式的置信矩形的有效性。我们还将前面的分析扩展到协变量向量的维数随样本量增加的情况。最后，我们使用美国工资数据进行模拟实验和真实数据分析，以证明我们的推理方法的有限样本性能。
2021-04-12 math.ST stat.ME stat.TH
SpeedCP: Fast Kernel-based Conditional Conformal Prediction
Department of Statistics University of Chicago（统计学系芝加哥大学）
提出一种基于路径追踪的高效算法，在保持RKHS条件共形预测框架理论优势的同时，将计算速度提升40倍，区间长度缩短30%。
2026-05-28 cs.LG stat.ME
Isotonic Conformal Inference
Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计学系）；Mila；Eli Lilly and Company（艾莉有限公司）
研究如何进行可靠的不确定性量化，提出等距共形预测框架，开发分割等距共形预测和转导等距共形预测两种方法，能在保持覆盖率的同时大幅降低计算成本，实现自校准和预测条件有效性。
2026-10-27 cs.LG stat.ME stat.ML
Algorithmic stability implies training-conditional coverage for distribution-free prediction methods
本文针对无分布预测方法，证明了算法稳定性假设能确保 full conformal 和 jackknife+ 方法具备更强的训练条件覆盖性。
2025-06-28 math.ST stat.TH
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
Nankai University（南开大学）
本文提出通过深度条件转换模型改进的条件秩秩回归，用于分析代际流动性，提升了在非线性和离散结果中的表现，并通过实证研究验证了其有效性。
2026-03-07 cs.LG stat.ME stat.ML
Self-Calibrating Conformal Prediction
University of Washington（华盛顿大学）；UC Berkeley（加州大学伯克利分校）；UCSF（加州大学旧金山分校）
本研究提出结合Venn-Abers校准与共形预测的自校准共形预测方法，将Venn-Abers拓展至回归，可生成校准点预测及有条件有限样本有效性的预测区间，经实验验证提升了区间效率。
2024-10-31 cs.LG stat.ME stat.ML
How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出预测驱动的分位数学习，利用合成标签改善小样本条件下的共形预测覆盖率，在八个回归基准上验证了其有效性。
2026-09-29 cs.LG stat.ME
Multiscale Adaptive Inference on Conditional Moment Inequalities
本文考虑了条件矩不等式模型的多尺度统计推断。我们推导了这个检验统计量的渐近分布，并利用这个结果提出了具有简单解析公式的可行临界值，证明了一个改进的Bootstrap方法的渐近有效性。渐近分布是极值，证明使用了新的技术，克服了几个技术障碍。该测试检测本地替代品的方法，在广泛的一类模型中的可用测试中以最好的速度确定的集合，并适应数据生成过程的平滑特性。我们的研究结果也有影响，在这种情况下使用的时刻选择程序。我们提供了一个蒙特卡罗研究和一个经验说明的推断在一个回归模型与内生删失和缺失数据。
2015-12-08 stat.AP
Conformal Prediction and Conditional Coverage for Tabular Foundation Models
Seoul National University（首尔大学）
针对表格基础模型预测区域覆盖不准确的问题，提出C-USIM方法，无需额外训练即可实现有限样本边际有效并降低条件覆盖误差，实验验证其有效性。
2026-09-29 cs.LG stat.ML
A Few Observations on Sample-Conditional Coverage in Conformal Prediction
本文重新审视了 Conformal Prediction 中的条件有效性问题，证明了 split conformal 方法能以高概率达到接近期望的条件覆盖率，并证明了在留出数据集上进行分位数回归可获得极小化极大最优的近似条件覆盖率保证。
2025-02-28 math.ST stat.TH
Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough
Dibrugarh University Institute of Engineering and Technology（Dibrugarh大学工程技术学院）
本文首次将共形预测应用于钢材疲劳强度，发现边缘覆盖率不足，提出交叉拟合归一化共形方法实现均匀覆盖率，强调需同时评估条件与边缘覆盖率。
2026-08-17 cs.LG stat.AP
Conditional validity of prediction-powered inference for spatially dependent finite populations
Hitotsubashi University（一桥大学）
本文针对空间数据将预测驱动推理重构为基于设计的框架，推导了相关方差、阈值与双重稳健性结果，在48175单元总体及爱沙尼亚LUCAS应用中验证了设计匹配调优可提升精度。
2026-10-14 stat.ME
Rectifying Conformity Scores for Better Conditional Coverage
Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学）；Skolkovo Institute of Science（斯克尔科沃科学研究所）；University of Mons（蒙斯大学）；Computing Research Center（计算研究中心）
本文提出一种在分裂共形预测框架下对一致性分数进行可训练变换的新方法，通过估计条件分位数改善条件覆盖并保持精确边际覆盖，在多输出问题中优于现有方法。
2025-08-19 cs.LG math.ST stat.ML
One Probability, Two Roles: The Separation of Coherence and Frequency in Adaptive Regimes
University of Maine（缅因大学）
该研究针对自适应和AI介导场景中概率的两种角色分歧问题，综合多领域成果提出角色分离原则，开发统一稳定性框架并应用于AI输出校准等场景。
2026-09-04 math.PR math.ST stat.TH
Conformal Prediction for Network-Assisted Regression
网络分析中的一个重要问题是使用网络协变量（如图嵌入坐标或局部子图计数）和常规节点协变量（如人口统计特征）来预测节点属性。虽然利用两种类型的协变量的标准回归方法可用于预测，但由于节点汇总统计量通常以复杂的方式相关，因此统计推断复杂。我们表明，在一个温和的联合交换假设下，网络模拟的共形预测实现有限的样本有效性为广泛的网络协变量。我们还表明，渐近条件有效性的形式是可以实现的。这些方法在模拟网络和引用网络数据集上都得到了说明。
2023-02-23 math.ST stat.ME stat.ML
Prediction-Powered Conditional Inference
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种预测驱动的条件推断方法，在标记数据稀缺的情况下利用机器学习预测器和未标记协变量，通过局部化与方差缩减技术提高统计效率，实现更精确的置信区间估计。
2026-09-01 cs.LG stat.ML
Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage
针对焦点单元选择偏差导致保形预测边际覆盖失效问题，提出适用于任意排列不变选择规则的有限样本精确条件覆盖框架，推广Mondrian方法并实现多种规则的高效计算，在药物发现和健康风险预测中验证了性能。
2025-04-17 math.ST stat.ME stat.ML
Conformal Prediction with Learned Features
University of Pennsylvania（宾夕法尼亚大学）
本文提出PLCP框架，通过从校准数据中学习不确定性引导特征来改善保形预测的条件有效性，利用交替梯度下降高效实现，并在理论和实验上均证明了其优越性。
2024-04-26 cs.AI cs.LG stat.ML
Analysis of Conditional Randomisation and Permutation schemes with application to conditional independence testing
本文分析了条件随机化与条件置换两种重采样方案的渐近性质，证明其概率估计量渐近正态且经验条件互信息分布一致，并验证了置换p值的有效性，为基于重采样和调整自由度卡方分布的条件独立性检验提供了理论依据。
2023-04-12 math.ST stat.TH
A note on conditional versus joint unconditional weak convergence in bootstrap consistency results
Bootstrap或Rescant格式的相容性经典地通过条件律的弱收敛来验证。然而，当在有界函数空间中处理随机过程及其在霍夫曼-约根森意义下的弱收敛时，会出现一个障碍：由于可能的不可测性，定律和条件定律都没有很好的定义。从弱收敛的有界Lipschitz度量的基础上的一个等价公式出发，一个经典的规避方法是用（不可测的）bootstrap过程的\emph{conditional law}和极限过程的律之间的距离来表示bootstrap一致性。本文的主要贡献是给出了有界函数空间中自举一致性的一个等价形式，它更直观、更易于处理。从本质上讲，等价的配方包括（无条件）弱收敛的原始过程与两个自助复制。作为一个副产品，我们提供了两个等价的配方的自举一致性的统计量采取的值在可分度量空间：第一个方面的（无条件）弱收敛的统计量连同其自举复制，第二个方面的依概率收敛的经验分布函数的自举复制。最后，简要回顾了基于Bootstrap的置信区间和检验的渐进有效性，特别强调了在实践中不可避免的条件分位数的蒙特卡罗逼近。
2018-03-01 math.ST stat.TH
Multi-Agent Conformal Prediction with Personalized Statistical Validity
Department of Electronic Systems（电子系统系）；Aalborg University（奥尔堡大学）；Department of Mathematical Sciences（数学科学系）；Institut de Mathématiques de Toulouse（图卢兹数学研究所）；Université de Toulouse（图卢兹大学）
提出个性化联邦加权共形预测框架，通过局部密度比加权和加权分位数聚合，在保护隐私的同时纠正数据异质性，为每个参与智能体提供渐近有效的边际和校准条件覆盖保证。
2026-05-30 cs.AI cs.LG stat.ML
Mask-Conditional Conformal Prediction: Valid Uncertainty For All Missing Data Mechanisms
LaMME, University of Paris-Saclay, Evry（LaMME，巴黎-萨克雷大学，埃夫里）；ENSIIE, Evry（ENSIIE，埃夫里）；Capgemini Invent, Paris, France（Capgemini Invent，巴黎，法国）
本文提出加权置信预测方法，通过预填补掩码并校正预测集，提供对一般缺失数据机制的边缘覆盖性和掩码条件有效性。
2026-11-03 cs.LG stat.ML
Testing Conditional Stochastic Dominance at Target Points
Northwestern University（西北大学）；University of Warwick（华威大学）
本文提出一种无需重采样等假设的条件随机优势检验方法，适配多类型结果，经模拟和实证应用验证了其良好性能。
2026-08-19 econ.EM math.ST stat.TH
Falsification of Internal and External Validity in Observational Studies via Conditional Moment Restrictions
MIT（麻省理工学院）；National Dong Hwa University（国立东华大学）
随机对照试验（RCT）被用来评估新的治疗方法，但在指导个性化治疗决策方面却受到限制。另一方面，观察（即，非实验性）研究有大量不同的人群，但容易出现各种偏倚（如残留混杂）。为了安全地利用观察性研究的优势，我们专注于证伪问题，即RCT用于验证从观察性数据中学习到的因果效应估计。特别是，我们表明，从随机对照试验和观察性研究的数据，假设的内部和外部有效性有一个可观察的，可检验的影响，在一组条件矩限制（CMR）的形式。此外，我们表明，表达这些CMR的因果效应，或“因果对比”，而不是个人的反事实手段，提供了一个更可靠的证伪测试。除了保证我们的测试的渐近性质，我们证明了优越的权力和第一类错误的方法，半合成和真实世界的数据集。我们的方法是可解释的，允许从业者可视化人群中的哪些亚组导致观察性研究的伪造。
2023-03-06 cs.LG stat.ME
Conditional Cross-Design Synthesis Estimators for Generalizability in Medicaid
提出条件跨设计合成估计量，结合随机与观察性数据解决各自偏差，利用协变量重叠消除未测量混杂，并应用于估计纽约市Medicaid受益人管理式医疗计划对医疗支出的因果效应。
2021-09-27 stat.ME stat.ML
Testing Equality of Conditional Distributions via Generative Models
University of California, Irvine（加州大学尔湾分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）；Washington University in St Louis（圣路易斯华盛顿大学）
提出一种基于生成模型检验两个条件分布是否相等的方法，通过交叉生成对齐协变量，避免密度比估计和高维平滑，并开发了基于RKHS的检验统计量及自举校准算法，理论证明了双重稳健性。
2026-06-05 stat.ME
Testing Conditional Independence via the Spectral Generalized Covariance Measure: Beyond Euclidean Data
Hitotsubashi University（一桥大学）
本文提出基于谱广义协方差度量的条件独立性检验方法，通过谱坐标表达条件交叉协方差算子的平方范数，并利用数据依赖基进行有限维近似，避免直接估计条件均值嵌入，提升鲁棒性和一致性，适用于超越欧几里得数据的应用场景。
2026-04-06 stat.ME
Conditional Inference for Secondary Outcomes Based on the Testing Result for the Primary Outcome in Clinical Trials
本文针对临床试验中基于主要结局检验结果选择性分析次要结局的问题，提出利用截断正态分布构造具有正确条件覆盖概率的置信区间，并通过SPRINT数据验证其有效性。
2025-04-11 stat.ME
Conditional inferential models: combining information for prior-free probabilistic inference
推理模型（IM）框架提供了有效的无先验概率推理，专注于预测未观察到的辅助变量。但是，当辅助变量具有比参数更高的维度时，有效的基于IM的推断可能是具有挑战性的。在这里，我们表明，辅助变量的功能往往是完全观察到的，在这种情况下，同时降维和信息聚合可以通过调节来实现。这一建议的条件策略导致有效的IM推理，并投下新的光费舍尔的概念，充分性，条件，贝叶斯推理。提出了一种微分方程驱动的条件关联选择方法，并在一定条件下证明了条件关联的有效性。对于不承认一个有效的条件IM的标准式的问题，我们提出了一个更灵活的类的条件IM本地化的基础上。文中还给出了二元正态模型和正态方差分量模型中局部条件内模的例子。
2014-02-11 math.ST stat.ME stat.TH
Mixture model fitting using conditional models and modal Gibbs sampling
Department of Mathematics, School of Industrial Engineering-Albacete（工业工程学院阿尔巴塞特分校数学系）
提出一种基于模态吉布斯采样的新算法，通过仅采样辅助变量来近似混合模型的后验分布，利用集成嵌套拉普拉斯近似计算密度参数的条件分布众数，降低计算负担并给出良好估计。
2026-06-18 stat.CO stat.ME
On the asymptotic validity of confidence sets for linear functionals of solutions to integral equations
本文研究积分方程解的线性泛函置信集，证明在弱依赖模型下均匀有效性需直径覆盖参数范围，Wald区间失效，提出二值变量特例方法，并指出一般情形仍开放。
2025-08-07 math.ST stat.ME stat.TH
