Kernel Regression by Mode Calculation of the Conditional Probability Distribution
表示数据集中任意依赖关系的最直接方法是估计联合分布，然后应用argmax函数获得相应条件分布的众数。这种方法在实践中是困难的，因为它需要一个复杂的功能，固定的输入变量的联合分布的全局优化。本文提出了一种方法来寻找全局最大值，如果联合分布是由核密度估计建模。一些实验表明，所得到的回归方法的优点和缺点相比，标准的Nadaraya-Watson回归技术，它近似的期望值的最优值。
2008-11-21 stat.ML
Beyond expectation: Deep joint mean and quantile regression for spatio-temporal problems
Technical University of Denmark (DTU)（丹麦技术大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）
时空问题是一个普遍存在的问题，在许多研究领域都具有重要意义。尽管深度学习方法在建模时空数据方面已经展示了潜力，但典型的方法往往只关注被建模的输出变量的条件期望。在本文中，我们提出了一种多输出多分位数深度学习方法，用于联合建模多个条件分位数以及条件期望，作为一种提供时空问题中预测密度更完整的“图片”的方法。使用两个大规模的数据集从运输领域，我们的经验表明，通过接近分位数回归问题，从多任务学习的角度来看，有可能解决尴尬的分位数交叉问题，同时显着优于最先进的分位数回归方法。此外，我们表明，联合建模的平均值和几个条件分位数不仅提供了一个丰富的描述的预测密度，可以捕获异方差属性在一个可忽略的计算开销，但也导致改善预测的条件期望由于额外的信息和正则化效应引起的增加分位数。
2018-08-27 cs.LG cs.NE stat.ML
Conditional Shannon, Réyni, and Tsallis entropies estimation and asymptotic limits: discrete case
本文提出了一种估计一对离散随机变量的联合概率质量函数的方法。该估计量用于构造条件Shannon-Réyni-Tsallis熵估计。从那里几乎必然的收敛速度和渐近正态性建立。仿真结果验证了理论分析的正确性。
2020-02-16 math.ST stat.ME stat.TH
Bias-Corrected Estimators for Joint Entropy, Conditional Entropy, and Mutual Information in the Discrete Bivariate Case: Theory and an Application to Motor Insurance
Gaston Berger University（加斯顿贝格尔大学）；LERSTAD
本文针对离散双变量情形下的联合熵、条件熵和互信息，提出偏差校正估计量，推导其一阶偏差公式，并证明校正与未校正版本渐近等价，通过模拟和汽车保险应用验证了改进效果。
2026-10-05 math.ST stat.TH
Interpolating Conditional Density Trees
Carnegie Mellon University（卡内基梅隆大学）
许多变量的联合分布通常通过将它们分解为更简单，更低维的条件分布的乘积来建模，例如在稀疏连接的贝叶斯网络中。然而，当存在许多数据点和具有复杂非线性关系的许多连续变量时，特别是当没有分解联合分布的好方法时，自动学习这样的模型在计算上可能非常昂贵。在这种情况下，以前的研究一般集中在使用离散化技术，其中每个连续变量都有一个单独的离散化，用于整个网络。在本文中，我们提出并比较了各种各样的基于树的算法学习和评估连续变量上的条件密度估计。这些树可以被认为是离散化，根据特定的相互作用建模，但是，在一个给定的树叶的树的密度不需要假设恒定的，我们表明，这种不均匀的叶密度导致更准确的密度估计。我们已经开发了贝叶斯网络结构-学习算法，采用这些基于树的条件密度表示，我们表明，它们可以用来实际学习复杂的联合概率模型超过几十个连续变量从数千个数据点。我们专注于寻找同时准确，快速学习和快速评估的模型。
2012-12-12 cs.AI cs.LG stat.ML
Total variation approximations and conditional limit theorems for multivariate regularly varying random walks conditioned on ruin
研究了一种新的方法，用于大偏差事件下重尾系统的渐近分析。我们说明了我们的方法的背景下，破产事件的多维定期变化的随机游动。我们的方法是研究击中一个罕见的目标集的条件下的随机游动所描述的马尔可夫过程。我们构造了一个马尔可夫链，它的转移核可以直接由相关的随机游动的增量分布来计算。这个过程被证明是近似的全变差感兴趣的条件过程。然后，通过对逼近过程的分析，得到了破产时刻、破产前的整个随机游动和目标集上的超调量等目标的渐近条件联合分布和条件泛函中心极限定理.这些类型的联合条件极限定理已获得以前的文献中只在一维的情况下。除了使用不同的技术，我们的研究结果包括从一维的情况下，定性不同的功能。例如，破产时间的渐近条件定律不再像多维情形那样是纯粹的帕累托定律。
2014-03-07 math.ST stat.TH
Forecasting wind power - Modeling periodic and non-linear effects under conditional heteroscedasticity
在这篇文章中，我们提出了一种方法，使联合风速和风力发电场的预测。本文将多变量季节时变门限自回归滑动平均（TVARMA）模型与幂门限广义自回归条件异方差（Power-TGSTAR）模型相结合。建模框架采用周期B样条、条件异方差和具有非线性影响的复杂自回归结构进行日周期和年周期建模。与通常耗时的似然估计方法相比，我们采用了高维收缩技术。我们利用迭代重新加权最小绝对收缩和选择算子（套索）技术。它允许条件异方差，提供快速的计算时间，并保证一个简约和正则化的规范，即使参数空间可能是巨大的。我们能够证明，我们的方法可以在涡轮机特定水平上提供准确的风力预测，预测范围长达48小时（中短期预测）。
2016-06-02 stat.AP stat.CO stat.ML
Multivariate spatial conditional extremes for extreme ocean environments
使用Metop卫星散射计和2007-2018年期间的后报观测以及最终受Hongnan和Tawn（2004）工作启发的多变量空间条件极值（MSE）模型，对东北大西洋风速和有效波高的联合极值空间依赖性进行了量化。分析工作包括：（a）将各个卫星条带和相应的后报数据登记到样带模板上（b）在样带上的一组登记地点进行非固定方向-季节边际极值分析，（c）使用拟合边际模型从物理尺度转换为标准拉普拉斯尺度，（d）对登记位置组的MSCE模型进行估计，并评估模型拟合的质量。联合模型估计三个空间量：气象风速，后报风速和后报有效波高。结果表明，当条件极端Metop风速，极端空间依赖性的所有三个量衰减超过约600-800公里。
2022-01-25 physics.ao-ph stat.AP stat.ME
A New High-Dimensional Time Series Approach for Wind Speed, Wind Direction and Air Pressure Forecasting
在文献中已经提出了许多风速预测方法。本文介绍了一种新的联合预报风速、风向和气压的统计方法。风向和气压是提高风速预报精度的重要因素。对风向的良好预测有助于将涡轮机带入主导风向。我们结合了多变量季节时变阈值自回归模型的相互作用（TVARX）与阈值季节自回归条件异方差（TARCHX）模型。该模型包括周期性，条件异方差，不同的因变量和一个复杂的自回归结构的非线性影响的相互作用。与普通的似然估计方法相比，我们应用高维收缩技术，而不是对因变量的分布假设。迭代重加权最小绝对收缩和选择算子（LASSO）方法允许捕获条件异方差和相对较快的计算时间。所提出的方法产生准确的预测的风速，风向和气压的短期内。预测时间间隔长达24小时。
2017-07-13 stat.AP
Bivariate autoregressive conditional models: A new method for jointly modeling duration and number of transactions of irregularly spaced financial data
本文提出一种基于对数对称分布的双变量ACD模型，用于联合建模不规则间隔金融数据的持续时间和交易次数，并通过蒙特卡洛模拟和真实数据验证其有效性。
2023-06-23 stat.AP
Continuous and Distribution-free Probabilistic Wind Power Forecasting: A Conditional Normalizing Flow Approach
Shanghai Jiao Tong University（上海交通大学）；Technical University of Denmark（丹麦技术大学）
提出了一种基于条件归一化流（CNF）的数据驱动概率风电功率预测方法。与现有的方法相比，该方法是无分布的（如非参数和基于分位数的方法），可以直接产生连续的概率密度，从而避免分位数交叉。它依赖于一个基分布和一组双射映射。基分布和双射映射的形状参数都用神经网络逼近。基于样条的条件归一化流由于其非仿射特性而被考虑。在训练阶段，该模型顺序地将输入示例映射到基础分布的样本上，给定条件上下文，其中参数通过最大似然估计。为了发布概率预测，最终将基本分布的样本映射到期望分布的样本。基于开放数据集的案例研究验证了所提出的模型的有效性，并允许我们讨论其优势和警告相对于最先进的。
2022-06-06 cs.LG cs.SY eess.SY
A Joint Spatial Conditional Auto-Regressive Model for Estimating HIV Prevalence Rates Among Key Populations
结束艾滋病毒/艾滋病流行病是下一个十年的可持续发展目标之一。为了克服护理需求与现有资源之间的差距，需要更好地了解艾滋病毒流行情况，以指导政策决定，特别是针对艾滋病毒感染风险较高的关键人群。由于关键人群的艾滋病毒监测数据非常有限，因此难以获得准确的艾滋病毒流行估计数。在本文中，我们提出了一个所谓的联合空间条件自回归模型估计艾滋病毒感染率的关键人群。我们的模型从邻近地点和依赖人群中借用信息。如真实数据分析所示，它提供了比独立拟合每个关键人群的亚流行病更准确的估计。此外，我们提供了一个研究，以揭示我们的建议给出了一个更好的预测的条件。本研究将理论研究与数值研究结合，揭示我们建议的优点与局限性。
2020-09-02 stat.AP
Weibull-Stationary Stochastic Differential Equations for Conditional Long-Horizon Wind Power Forecasting
Department of Computer Science, College of Mathematics, University of Verona（维罗纳大学数学学院计算机科学系）
提出一种基于威布尔平稳SDE的月度风电概率预测框架，通过异方差卡尔曼滤波和三种SDE模型实现高分辨率预测，CRPS约1.57 m/s，功率Wasserstein距离低于额定容量1.4%。
2026-06-17 physics.data-an stat.AP
Wind energy forecasting with missing values within a fully conditional specification framework
本文提出在全条件设定框架下联合处理风电功率预测中的缺失值插补与预测任务，仅基于不完整观测推断联合分布，并在点预测和概率预测中均取得优于常见方法的效果。
2022-10-22 cs.SY eess.SY stat.AP
A Joint-Distribution Route to Fair Representations with Continuous Sensitive Attributes
Georgia Institute of Technology（佐治亚理工学院）
该研究提出一种无需条件分布的联合分布路径，以 HSIC 为实例实现公平表示学习，其收敛速度优于条件路径方法，对应算法 FRHSIC 能在保持公平性-准确性权衡的同时缩短训练时间。
2026-08-12 cs.LG stat.AP
Joint Optimization of Production and Maintenance in Offshore Wind Farms: Balancing the Short- and Long-Term Needs of Wind Energy Operation
本文提出一个基于随机优化的决策理论框架，联合优化海上风电场的电力生产与资产维护，通过平衡短期收入与长期支出，实现经济效益提升，并用真实数据验证了其优越性。
2023-08-30 cs.SY eess.SY math.OC
Joint Stochastic Model for Electric Load, Solar and Wind Power at Asset Level and Monte Carlo Scenario GenerationRené Carmona \& Xinshuo Yang
为了生成蒙特卡罗情景，我们提出了一个图形模型的风电和电力需求的联合分布在一个给定的区域。为了与电力行业的实践相一致，我们假设点预测是外生提供的，并且集中于对与这些预测的偏差进行建模，而不是对感兴趣的实际量进行建模。我们发现，这些偏差的边缘分布可以有沉重的尾巴，功能，我们需要处理之前拟合的图形高斯模型的数据。我们估计协方差和精度矩阵使用扩展的图形LASSO程序，使我们能够识别时间和地理（条件）的依赖关系，在单独的依赖图的形式。我们实现我们的算法上提供的数据由NREL，我们确认，该算法所确定的依赖关系是一致的生产资产和地理负载区的相对位置的数据被收集。
2022-09-21 stat.AP
Bivariate ensemble model output statistics approach for joint forecasting of wind speed and temperature
预报集合通常用于解释数值天气预报模式中的预报不确定性。然而，合奏往往表现出偏差和分散的错误，因此，他们需要统计后处理，以提高其预测性能。两种流行的单变量后处理模型是贝叶斯模型平均（BMA）和集合模型输出统计（EMOS）。在过去的几年里，人们对开发多变量后处理模型的兴趣越来越大，这些模型将天气量之间的依赖关系结合起来，例如风矢量的双变量分布，甚至是允许组合任何类型天气变量的更一般的设置。针对最近提出的用双变量BMA模型联合模拟温度和风速的方法，本文介绍了一个基于截断正态分布的双变量EMOS模型。双变量EMOS模型应用于温度和风速预测的八名成员的华盛顿大学中尺度合奏和11名成员的ALADIN-HUNEPS合奏的匈牙利气象服务和它的预测性能进行了比较的性能的双变量BMA模型和多元高斯copula方法，后处理的利润与单变量EMOS。虽然比较方法的预测技能是相似的，双变量EMOS模型需要比双变量BMA方法低得多的计算时间。
2015-07-27 stat.AP
Noise-Compensated, Bias-Corrected Diffusion Weighted Endorectal Magnetic Resonance Imaging via a Stochastically Fully-Connected Joint Conditional Random Field Model
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）；Sunnybrook Research Institute（森尼布鲁克研究所）
磁共振弥散加权成像（DW-MR）是一种基于成像的前列腺癌筛查和检测的有力工具。直肠内线圈通常用于DW-MR成像，以提高采集的信噪比（SNR），但代价是当我们远离直肠内线圈时会出现显著的强度不均匀性（偏置场）。偏置场的存在可能对不同图像分析任务的准确性以及前列腺肿瘤定位产生显著的负面影响，从而导致观察者间和观察者内的可变性增加。与前瞻性方法相比，回顾性偏倚校正方法是一种更有效的偏倚校正方法，可校正MR成像中的扫描仪和解剖结构相关偏倚场。先前提出的回顾性偏置场校正方法遭受不期望的噪声放大，其可以降低经偏置校正的DW-MR图像的质量。在这里，我们提出了一个统一的数据重建方法，使联合补偿偏置场以及DW-MR成像中的数据噪声。提出的噪声补偿，偏差校正（NCBC）数据重建方法利用一种新的随机全连接联合条件随机场（SFC-JCRF）模型，以减轻数据噪声和偏置场的影响重建的MR数据。所提出的NCBC重建方法进行了测试合成DW-MR数据，物理DW-phantom以及真正的DW-MR数据都使用直肠内MR线圈采集。定性和定量分析表明，提出的NCBC方法可以实现改善的图像质量时，与其他测试的偏差校正方法相比。因此，建议的NCBC方法可能有潜力作为一个有用的回顾性方法，以提高图像解释的一致性。
2016-07-05 cs.CV physics.med-ph stat.AP
Do AI Forecast Ensembles Sample the Correct Conditional Distribution?
Boston University（波士顿大学）
该研究针对沿海海平面预测的AI扩散模型，发现其边际预测技能良好但联合空间结构差，该失效由变差函数分数检测，且是学习到的模拟器特有的结构不足问题。
2026-08-11 cs.AI cs.LG physics.ao-ph
