Nonparametric Inference for Balance in Signed Networks
University of Pennsylvania（宾夕法尼亚大学）；University of Chicago（芝加哥大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出无参数推断方法，用于评估现实中有向网络中平衡理论的实证证据。通过构建非参数稀疏有向图模型，建立置信区间并验证理论有效性，展示了平衡理论在不同领域的广泛应用。
2026-04-18 stat.ME
Nonparametric regression for multiple heterogeneous networks
我们研究了在同一组节点上观察到多个不同网络的非参数方法。这样的样本可以以从公共分布中提取的复制网络的形式出现，或者以异构网络的形式出现，其中网络生成过程从一个网络到另一个网络是不同的，例如，动态和跨部门的网络。无向网络的非参数方法主要集中在图子模型的估计上。虽然图子模型考虑了节点的异质性，但它没有考虑网络的异质性，这是一个特定于观察到多个网络的应用程序的特性。为了解决多个网络的这种设置，我们提出了一个多图子模型，它允许节点级以及网络级的异构性。我们展示了如何利用来自多个网络的信息，通过标准的非参数回归技术，例如核回归，正交序列估计，使多graphon的估计。我们研究了所提出的估计建立恢复的潜在节点的位置可以忽略不计的误差，和收敛的多graphon估计的正态分布的理论性质。有限样本的性能进行了研究，在模拟研究和应用程序的两个现实世界的网络-一个动态的接触网络的蚂蚁和收集的结构脑网络从不同的主题-说明我们的方法的效用。
2020-01-14 stat.ME
Bootstrap estimators for the tail-index and for the count statistics of graphex processes
Graphex过程解决了传统随机图模型中的一些问题，特别是提供了既可投射又允许稀疏的模型。大多数关于graphex过程的文献从概率的角度研究它们。用于推断这些过程的参数的技术--所谓的\textit{graphon} --仍然是边缘性的;例外的是考虑参数化的图子族的一些论文。非参数估计仍然未被考虑。在本文中，我们提出了一个选定的选择泛函的graphon估计。我们的估计源自graphex过程的子抽样理论，因此可以被看作是一种形式的自助程序。
2021-01-04 math.ST stat.TH
Oracle inequalities for network models and sparse graphon estimation
非齐次随机图模型包括随机块模型、潜在位置模型等多种网络模型。我们考虑的问题的统计估计的连接概率矩阵的观测值的基础上的邻接矩阵的网络。以随机块模型为近似，我们构造了网络连接概率的估计--普通块常数最小二乘估计及其限制形式。我们证明了它们满足关于块常数oracle的oracle不等式。因此，我们得到的概率矩阵的估计的最佳速率。我们的结果涵盖了稀疏网络的重要设置。另一个后果是建立上界的极小极大风险的graphon估计的$L\_2$规范时，概率矩阵的采样根据graphon模型。这些界限包括一个额外的术语占的“不可知”的错误引起的潜在的不可观测变量的graphon模型的变化。在这种情况下，最优速率不仅像通常的非参数问题那样受到偏差和方差分量的影响，而且还包括第三个分量，即不可知误差。结果揭示了经验损失下的估计（概率矩阵估计）和综合损失下的估计（graphon估计）之间的差异。
2017-09-13 math.ST stat.TH
Nonparametric estimation of time-varying network connections by multi-stage smoothing
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
本文提出多阶段平滑估计方法，用于估计时间变化网络的边概率，结合时间局部平滑和节点域平滑，通过模拟和实际数据验证其在捕捉时间演变和结构模式上的有效性。
2026-05-07 stat.ME stat.ML
Higher-Order Graphon Theory: Fluctuations, Degeneracies, and Inference
本文推导graphon模型下任意有限个网络矩的联合渐近分布（含非简并与简并情形），提出新型乘子bootstrap方法构建模体密度联合置信集，还给出基于小子图的graphon全局结构一致检验，完善了graphon的高阶统计推断框架。
2024-09-16 math.PR math.ST stat.TH
Decorated graphons for temporal network estimation
Institute of Mathematics, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院数学研究所）
提出用装饰图子建模时间演化网络的统一非参数框架，开发两阶段估计程序分离时间建模与网络结构，建立非参数收敛速率，在模拟数据和医院接触网络上验证，为动态网络分析提供非参数基线。
2026-07-28 stat.ME
Nonparametric inference for $P(X<Y)$ with paired variables
在$(X,Y)$是成对的、可能相依的、绝对连续随机变量的情形下，我们提出了$θ=P(X<Y)$的两类非参数点估计.建议的估计是基于非参数估计的联合密度的$(X,Y)$和分布函数的$Z=Y - X$。我们探讨了使用几个密度和分布函数估计，并证明了$θ$估计的收敛性。我们考虑使用bootstrap方法来获得置信区间。这些估计的性能示出使用模拟和真实的数据。这些示例表明，不考虑配对和依赖性可能导致关于$X$和$Y$之间关系的错误结论。
2013-03-26 stat.ME
Parameter estimation for graphon-interacting particle systems from discrete observations
Universitat Pompeu Fabra（庞佩法布拉大学）；Barcelona School of Economics（巴塞罗那经济学院）；University of Padova（帕多瓦大学）
本文针对图论加权平均场框架下异质粒子系统，提出基于伪似然的对比函数，在离散观测下联合估计漂移和扩散系数，证明估计量的一致性和渐近正态性。
2026-09-21 math.PR math.ST stat.TH
EM-Based Smooth Graphon Estimation Using Bayesian and Spline-Based Approaches
本文提出了一种利用期望最大化算法的原理对网络数据分析中的光滑图子模型进行估计的方法。该方法既考虑了网络节点排序的变异性，又考虑了非参数回归对图子的平滑估计。为此，使用（线性）B样条，其允许以节点排序为条件的图子的平滑估计。这提供了M步骤。从图子模型中产生的节点的真实排序仍然是不可观察的，贝叶斯思想被用来获得给定网络数据的后验样本。这产生了E步骤。结合这两个步骤给出了一个基于EM的方法来估计光滑图子。与其他方法不同，该方法不需要对单调边缘函数进行限制。建议graphon估计允许探索节点排序策略，因此比较常见的度为基础的节点排名与网络上的排序条件。考虑到使用MCMC技术的可变性和不确定性。实例和模拟研究支持的方法的适用性。
2021-09-15 stat.ME
Combining Stochastic Tendency and Distribution Overlap Towards Improved Nonparametric Effect Measures and Inference
本文通过将Mann-Whitney泛函θ与分布重叠指数I₂相结合，提出新的非参数检验与效应度量方法，在保持功效的同时扩大相容区域并改善解释性。
2023-11-29 stat.ME
Nonparametric modal regression in the presence of measurement error
在对预测器$X$上的响应$Y$进行回归的上下文中，我们考虑当$X$倾向于测量误差时，估计给定$X=x$的$Y$的分布的局部模式。我们提出了两种非参数估计方法，一种是基于估计的联合密度的$(X, Y)$存在测量误差，和其他建立在估计的条件密度的$Y$给定$X=x$使用易错数据。我们研究了每个建议的模式估计器的渐近性质，并提供实施细节，包括模式搜索和带宽选择的均值漂移算法。数值研究提出了比较所提出的方法与现有的模式估计方法开发的无错误的数据天真地适用于易出错的数据。
2016-10-27 stat.ME
Nonparametric estimation of extremal dependence
人们越来越感兴趣的是了解随机向量不仅在其分布的中心，而且在尾部的相关结构。极值理论通过分别对边缘分布和相关结构进行建模来处理对多元分布的联合尾部进行建模的问题。对于估计高水平的相关性，稳定的尾部相关函数和谱测度特别方便。这些对象也在于非参数技术的基础上，在最大域的吸引力设置的极端之间的依赖性建模。在渐近独立的情况下，这种设置是不够的，更精细的尾部依赖系数存在，服务，除其他外，渐近依赖和独立之间的区别。在整个过程中，这些方法都是用财务数据来说明的。
2014-11-03 stat.ME
Graphon estimation via nearest neighbor algorithm and 2D fused lasso denoising
我们提出了一类基于利用与非参数回归的连接的图子估计方法。其思想是构建网络中节点的排序，类似于Chan和Airoldi（2014）。然而，与Chan和Airoldi（2014）中仅考虑基于经验度的排序不同，我们使用最近邻算法，这是旅行商问题的近似解决方案。这反过来又可以处理节点之间的一般距离$\hat{d}$，这使我们能够整合网络的丰富信息。一旦构建了一个排序，我们就制定了一个2D网格图去噪问题，我们通过融合套索正则化来解决这个问题。对于特定的选择的度量$\hat{d}$，我们表明，相应的两步估计可以达到竞争率时，真正的模型是随机块模型，当底层graphon是分段Hölder或它有界变化。
2019-06-18 stat.ME
Nonparametric covariate-adjusted response-adaptive design based on a functional urn model
在本文中，我们提出了一个新的功能瓮模型的基础上的协变量调整的响应自适应（CARA）设计的一般类。我们证明了在整个研究中以及对于每个协变量特征，关于功能瓮比例和分配至治疗组的受试者比例的强一致性，允许以协变量为条件的响应分布以非参数方式估计。此外，我们建立联合中心极限定理上述数量和充分统计量的功能感兴趣的，它允许构建程序，使推理的条件响应分布。然后将这些结果应用于有关高斯和二进制响应的典型情况。
2017-12-18 stat.ME
A new method of joint nonparametric estimation of probability density and its support
本文提出一种联合非参数估计概率密度及其支撑集的新方法，通过检测边界并消除边界偏差，并扩展到多元情形，提出改进估计器。
2017-08-31 math.ST stat.TH
Nonparametric inference about mean functionals of nonignorable nonresponse data without identifying the joint distribution
我们考虑识别和推断的平均泛函的观测协变量和结果变量的不可分割的缺失。通过利用一个影子变量，我们建立了一个充要条件，即使没有确定的全部数据分布的平均功能识别。进一步刻画了均值泛函的$\sqrt{n}$ -可估性的一个必要条件.这个条件自然地加强了识别条件，并且它需要存在一个函数作为将阴影变量连接到平均泛函的表示器方程的解。代表方程的解可能不是唯一的，这对非参数估计提出了实质性的挑战，并且非参数筛分估计的标准理论在这里不适用。我们构造了一个一致的估计的解决方案，然后适应极值估计理论，找到一个一致的估计，从估计集适当选择的解决方案。该估计是渐近正态的，局部有效的，并在一定的正则性条件下达到半参数有效界。我们说明了所提出的方法，通过模拟和真实的数据应用程序对家庭定价。
2022-04-06 math.ST stat.ME stat.TH
Confidence sets in nonparametric calibration of exponential Lévy models
基于欧式期权的价格构造了指数Lévy模型非参数校准的置信区间和联合置信集.为此，我们在谱校准方法中证明了波动率，漂移，跳跃强度和Lévy密度在100多个点的估计的联合渐近正态性。
2013-09-19 math.ST q-fin.ST stat.TH
Low-Rank Graphon Learning for Networks
Tsinghua University（清华大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出利用低秩加法表示方法，实现低秩连接概率矩阵和低秩图核的联合估计，解决识别问题并高效计算。
2026-04-12 stat.ME
Nonparametric Estimation of Joint Entropy via Partitioned Sample-Spacing
Yonsei University（延世大学）；Michigan State University（密歇根州立大学）
本文提出了一种基于分区样本间距的非参数联合熵估计方法，该方法在多种分布上表现优异，无需训练或辅助密度建模，适用于信息论机器学习任务。
2025-11-30 math.ST stat.ML stat.TH
Variational Nonparametric Inference in Functional Stochastic Block Model
本文提出函数型随机块模型，利用函数型节点信息进行社区检测，并提出变分检验评估节点信息显著性，证明检测一致性与检验的渐近卡方性质。
2024-06-30 stat.ME
Nonparametric Identification and Inference for Counterfactual Distributions with Confounding
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出非参数识别和半参数估计联合潜在分布的方法，通过条件Copula推导边界并引入因果表示学习框架，解决混杂因素问题，提供稳健的因果推断基础。
2026-02-17 stat.ME stat.ML
Analysis of order book flows using a nonparametric estimation of the branching ratio matrix
本文介绍了一种新的非参数方法，它可以直接、快速、有效地估计多变量Hawkes过程的核范数矩阵，也称为分支比矩阵。我们证明了这种方法的能力，将其应用到高频订单簿数据从EUREX交易所。我们表明，它是能够发现（或恢复）与一些资产相关联的所有第一级订单簿事件之间的各种关系时，映射到一个12维的过程。然后，我们扩大模型，以便同时考虑两种资产上的事件，我们讨论了联合高频动态。
2017-06-11 q-fin.TR stat.ME
Partial Identification of Individual-Level Parameters Using Aggregate Data in a Nonparametric Model
Department of Economics, Massachusetts Institute of Technology（麻省理工学院经济学系）
本文提出在非参数模型中利用汇总数据部分识别个体层面参数的方法，并通过实证分析展示了条件通过率在不同群体和县之间的差异。
2025-12-03 econ.EM stat.ME
Nonparametric estimation of copulas and copula densities by orthogonal projections
本文研究了Copula函数和Copula密度函数的非参数估计。我们首先集中我们的研究基于联合密度的多项式正交投影的密度copula估计。一个新的copula估计，然后推出。它的渐近性质进行了研究：我们提供了一个大的功能类，这种建设是最佳的极大极小和极大意义上，我们提出了一种方法选择的平滑参数。一个密集的模拟研究表明，Copula和Copula密度估计，我们比较了一个大的面板的竞争对手非常好的性能。精算学中的一个真实数据集说明了这种方法。
2021-12-19 math.ST stat.AP stat.ME
Semiparametric Joint Inference for Sensitivity and Specificity at the Youden-Optimal Cut-Off
University of Waterloo（滑铁卢大学）；Xiamen University（厦门大学）
本文提出了一种半参数框架，用于在密度比模型下对Youden最优截断点处的灵敏度和特异度进行联合推断，通过最大经验似然方法提高推断效率和准确性。
2026-02-26 math.ST stat.ME stat.TH
Minimax Nonparametric Two-sample Test under Smoothing
我们考虑两组之间的概率密度比较的问题。提出了一种新的概率张量积光滑样条框架来模拟两个变量的联合密度。在这种框架下，概率密度比较相当于测试相互作用的存在/不存在。我们提出了一种用于此类相互作用检验的惩罚似然比检验，并表明在原假设下检验统计量是渐进卡方分布的。此外，我们得到了一个尖锐的minimax检验率的基础上的伯恩斯坦宽度的非参数两样本检验，并表明我们提出的检验统计量是minimax最优的。此外，一个数据自适应调整标准的发展，以选择惩罚参数。仿真和实际应用表明，所提出的测试优于传统的方法在各种情况下。
2021-01-11 math.ST stat.AP stat.ME
Low-Complexity and Consistent Graphon Estimation from Multiple Networks
Sorbonne Université（索邦大学）；AgroParisTech（巴黎高等师范学院农业学院）
本文提出了一种低复杂度的图on估计方法，通过联合对齐所有网络的节点，实现高精度估计，尤其在小规模和变大小网络数据集中表现优异，且计算效率更高。
2026-03-16 stat.ME stat.ML
Statistical inference for network samples using subgraph counts
我们认为网络是一个观察，观察到的网络的集合形成一个样本。在此设置中，我们提供了一些方法来测试网络样本中的所有观测是否都来自指定的模型。我们实现了这一点，推导出，在空的graphon模型，联合渐近性质的平均子图计数作为观察到的网络的数量增加，但在每个网络中的节点数仍然有限。在这样做时，我们不要求每个观察到的网络包含相同数量的节点，或者来自相同的分布。我们的研究结果产生联合置信区域的子图计数，因此方法测试是否在网络样本中的意见是从：一个指定的分布，一个指定的模型，或从同一个模型作为另一个网络样本。我们提出了模拟实验和一个说明性的例子，在一个样本的大脑网络，我们发现，高度创造性的个人的大脑呈现显着更短的周期。
2019-05-28 cs.SI stat.ME
Efficient nonparametric inference for discretely observed compound Poisson processes
本文研究了一类参数均未知的复合泊松过程在多个等间距时刻的运动。在较弱的条件下，给出了跳跃分布和Lévy分布的非参数估计，并证明了基于一致范数的泛函中心极限定理.极限高斯过程的识别和效率的估计建立。本文还提出了质量函数、强度和漂移的核估计，分析了它们的渐近性质，包括有效性，并证明了它们的联合渐近正态性。简要讨论了置信区域和检验等推理工具。
2017-01-27 math.PR math.ST stat.TH
Nonparametric estimation when data on derivatives are available
我们考虑的设置中的数据是一个非参数函数和各种偏导数。这种情况在实践中出现，例如在经济学中成本和投入函数的联合估计中。我们表明，当衍生数据可用时，局部平均值可以在某些维度上被非局部平均值取代，从而降低了问题的非参数维度。我们得到最佳的收敛速度和条件下，实现降维。核估计及其性质进行了分析，虽然其他估计，如局部多项式，样条和非参数最小二乘，也可以使用。模拟和应用的配电成本的估计。
2007-08-03 math.ST stat.TH
Dependencies in Multiplex Networks: A Motif Count Approach
EPFL（洛桑联邦理工学院）
本文提出基于动机计数的方法，用于估计和检验可交换多重网络中的依赖关系，通过扩展多层随机块模型网络直方图到任意动机计数，提供新的工具研究复杂网络中的高阶依赖。
2026-03-27 math.ST stat.TH
Nonparametric Statistical Inference and Imputation for Incomplete Categorical Data
分类数据的缺失是各种实际应用中常见的问题。传统的方法要么只利用完整观测值，要么不考虑缺失数据的真实条件分布，而采用一些特别的方法来估算缺失数据，从而丢失或扭曲了部分观测值中丰富的信息。在本文中，我们提出了Dirichlet过程的折叠乘积多项式混合（DPMCPM）的完整的数据联合建模和计算模型的效率。通过拟合乘积-多项分布的无限混合，DPMCPM适用于任何分类数据，而不管真实分布如何，其中可能包含变量之间的复杂关联。在潜在类分析的框架下，我们表明，DPMCPM可以通过创建一个额外的类别来表示缺失，这隐含地整合了丢失的部分，就其真实的条件分布的一般缺失机制建模。通过模拟研究和实际应用，我们证明了DPMCPM在各种缺失机制的不完全分类数据的统计推断和插补方面优于现有方法。DPMCPM作为R包\texttt{MMDai}实现，可从Comprehensive R Archive Network（https://cran.r-project.org/web/packages/MMDai/index.html）获得。
2019-07-11 stat.CO stat.ME
Improving Nonparametric Density Estimation with Tensor Decompositions
Technische Universität Berlin（柏林工业大学）；Machine Learning Group（机器学习组）
虽然非参数密度估计通常在低维数据上表现良好，但当应用于高维数据时，它们的性能可能会受到影响，这可能是由于维数灾难。避免这种情况的一种技术是假设特征之间没有依赖性，并且数据是从可分离的密度中采样的。这允许独立地估计每个边缘分布，从而避免与估计全关节密度相关联的慢速率。这是朴素贝叶斯模型中采用的一种策略，类似于估计秩一张量。在本文中，我们研究这些改进是否可以扩展到其他简化的依赖性假设，我们通过非负张量分解模型。在我们的中心理论结果中，我们证明了将估计限制在低秩非负PARAFAC或Tucker分解中可以消除多维直方图的箱宽率的维数指数。这些结果通过直接应用现有的非负张量分解直方图估计实验验证具有较高的统计意义。
2020-10-06 cs.LG math.ST stat.ME
Nonparametric estimation for dependent data with an application to panel time series
本文考虑相依数据的非参数估计，其中观测值不一定来自线性过程。我们研究了密度估计，并讨论了相关的问题，在非参数回归使用2-混合相关措施。我们比较的结果下2-混合的假设下，该过程是线性的。在面板时间序列的情况下，一个观察数据从几个人，它往往是太强，假设联合线性的过程。相反，在本文中开发的方法使我们能够量化的依赖，通过2-混合，允许非线性。我们提出了面板均值函数的一个估计，并得到了它的收敛速率。我们表明，在一定的条件下，收敛的收敛速率可以通过允许在面板中的个人的数量，以提高随着时间的推移。
2007-06-27 math.ST stat.TH
Joint Estimation of Edge Probabilities for Multi-layer Networks via Neighborhood Smoothing
Institute for Financial Studies, Shandong University（山东大学金融研究院）；Southern University of Science and Technology（南方科技大学）；School of Statistics and Data Science, Zhejiang Gongshang University（浙江工商大学统计与数据科学学院）
本文提出了一种多层网络边概率联合估计方法，通过引入额外的潜在层位置参数，开发了计算高效的两步邻域平滑算法，有效利用网络层和节点相似性，提升了链接预测性能。
2026-01-28 stat.ME
Nonparametric calibration for stochastic reaction-diffusion equations based on discrete observations
研究了半线性随机偏微分方程，即一维随机反应扩散方程的非参数估计。我们认为观察的解决方案领域的离散网格在时间和空间的填充渐近在两个坐标。首先，我们得到了一个非参数估计的反应函数的基本方程。该估计是从有限维函数空间的基础上最小二乘准则。Oracle不等式为估计量提供了实现通常的非参数收敛速率的条件。通过模型选择提供自适应性。其次，我们证明了线性随机偏微分方程的扩散率和波动率的基于实现二次变差的估计的渐近性质。特别地，我们得到了这两个参数的速率最优联合估计。结果依赖于我们精确的分析的Hölder正则性的解决方案的过程和它的非线性组件，这可能是自己的利益。校准的两个步骤可以同时进行，而无需参数的先验知识。
2023-02-02 math.PR math.ST stat.TH
Nonparametric independence testing via mutual information
我们提出了一个测试的独立性的两个多变量随机向量，给定的样本从底层人口。我们的方法，我们称之为MINT，是基于互信息的估计，其分解为联合和边际熵，便于使用最近开发的高效熵估计来自最近的邻居距离。建议的临界值，这可能是从模拟（在一个边际是已知的情况下）或restaurant，保证测试具有标称大小，我们提供本地电源分析，均匀的密度类，其互信息满足一个下限。我们的想法可以扩展到提供一个新的拟合优度测试的正常线性模型的基础上评估我们的向量的协变量和一个适当定义的概念的误差向量的独立性。模拟和真实数据的数值研究支持的理论。
2017-11-17 cs.IT math.IT math.ST
Deep Generative Survival Analysis: Nonparametric Estimation of Conditional Survival Function
我们提出了一种深度生成方法，用于右删失数据条件生存和风险函数的非参数估计。该方法的核心思想是在给定协变量的情况下，首先学习观测时间和截尾指标的联合条件分布的条件生成器，然后基于该条件生成器构造条件风险和生存函数的Kaplan-Meier和Nelson-Aalen估计量.我们的方法结合了最近开发的深度生成学习和生存分析中的经典非参数估计的思想。我们分析了所提出的方法的收敛性，并建立了条件生存和风险函数的生成非参数估计的相容性。我们的数值实验验证了所提出的方法，并在一系列的模拟模型中展示了其优越的性能。我们还说明了所提出的方法在构建PBC（原发性胆汁性胆管炎）和SUPPORT（了解预后和治疗结果和风险偏好的研究）数据集的生存时间预测区间中的应用。
2022-05-19 math.ST stat.TH
Nonparametric regression for locally stationary random fields under stochastic sampling design
在这项研究中，我们开发了一个渐近理论的局部平稳随机场（LSRF）$\{{\bf X}_{{\bf s}, A_{n}}: {\bf s} \in R_{n} \}$在$\mathbb{R}^{p}$观察到的不规则间隔的位置在$R_{n} =[0,A_{n}]^{d} \subset \mathbb{R}^{d}$的非参数回归。首先给出了一般核估计的一致收敛性速度，然后给出了模型均值函数估计的渐近正态性。此外，我们考虑加性模型，以避免维数灾难所产生的估计的收敛速度的协变量的数量的依赖。随后，我们得到了可加函数估计的一致收敛性速度和联合渐近正态性。我们还介绍了近似$m_{n}$依赖的RF提供的LSRF的例子。我们发现，这些RF包括一个广泛的类Lévy驱动的移动平均RF。
2022-07-06 math.ST stat.TH
Kernel-Based Nonparametric Tests For Shape Constraints
本文提出基于核的非参数检验方法，用于金融中正性、单调性和凸性等形状约束的推断与验证。
2026-01-23 cs.LG math.ST stat.ME
Nonparametric inference in a stereological model with oriented cylinders applied to dual phase steel
不透明介质中的定向圆柱体用于表示钢中的某些微观结构物体。不透明介质平行于圆柱体对称轴线切片，并且切割平面包含圆柱体的可观察的矩形轮廓。建立了三维圆柱体的半径和高度平方的联合密度与可观测二维矩形的半宽和高度平方的联合密度之间的一一对应关系。我们提出了一个非参数估计程序来估计分布和期望的各种数量的利益，如圆柱体半径，高度，长宽比，表面积和体积从观察到的二维矩形的宽度和高度。此外，圆柱体的半径和高度之间的协方差估计。建立这些估计量的渐近行为以产生期望的逐点置信区间和感兴趣的量的分布的逐点置信集。这些量中的许多可以与材料的机械性能相关联，因此对工业有用。我们举例说明的数学模型和估计程序，使用带状显微组织，近90 \textmu米的深度已通过连续切片观察。
2015-03-04 stat.AP
Estimation and inference for stochastic blockmodels
本文研究加权随机区组模型的非参数估计。我们首先表明，该模型意味着一组多线性限制的联合分布的边权重的某些子图涉及（在其最简单的形式）三胞胎和四胞胎的节点。从这个方程组系统的模型的未知组件可以恢复非参数，通常的标签模糊。我们引入一个简单的和计算吸引力的方式来做到这一点。然后，估算者遵循类比原则。提供了极限理论。我们发现，成分分布和他们的泛函，以及他们的密度函数（边缘权重是连续的情况下）都是估计的参数率。数值实验报告。
2022-03-09 math.ST stat.ME stat.TH
Adaptive estimation of functionals in nonparametric instrumental regression
我们考虑一个线性泛函的值l（λ）的估计问题，其中结构函数λ在存在工具变量的情况下模拟一个非参数关系.我们提出了一个插件估计，这是基于降维技术和额外的阈值。证明了该估计量是相容的，并且在附加正则性条件下能达到极小极大最优收敛速率。然而，这需要根据结构函数的某些特性以及回归量和仪器的联合分布来最优地选择维数参数m，这在实践中是未知的。我们提出了一个完全数据驱动的选择m，结合模型选择和Lepski的方法。我们表明，自适应估计达到最佳的收敛速率的对数因子。在本文中的理论说明，考虑经典的光滑性假设，我们讨论的例子，如逐点估计或估计的结构函数的平均值。
2011-09-05 math.ST stat.TH
Bayesian Nonparametric Adaptive Spectral Density Estimation for Financial Time Series
Centre for Translational Data Science（转化数据科学中心）；University of Sydney（悉尼大学）；University of Sydney Business School（悉尼大学商学院）
在金融时间序列建模中，非平稳性和长期相关性的区分是一个长期存在的难题。本文采用了自适应谱技术，联合模型的非平稳性和依赖性的金融时间序列在非参数的方式假设的时间序列由一个有限的，但数量未知，局部平稳过程，其中的位置也是未知的。该模型允许非参数估计的依赖性结构，通过建模的自协方差函数在谱域中。我们所有的估计都是在贝叶斯框架内进行的，我们使用可逆跳跃马尔可夫链蒙特卡罗算法进行推理。我们通过模拟研究研究了估计的频率论性质，并提出了一种从非参数谱生成时间序列数据的新方法。结果表明，我们的技术在一系列数据生成过程中表现良好。我们将我们的方法应用到一些真实的例子，我们的结果表明，几个金融时间序列表现出长期相关性和非平稳性。
2019-02-09 cs.LG q-fin.ST stat.AP
Conditional Diffusion for Nonparametric Instrumental Variable Quantile Regression
Institute of Data Science and Statistics, Shanghai University of Finance and Economics（上海财经大学数据科学与统计研究院）；School of Mathematics and Statistics, Wuhan University（武汉大学数学与统计学院）；School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
本研究提出结合条件扩散建模的两阶段非参数工具变量分位数回归方法，建立了重尾分布下的理论保证，经模拟与实际数据验证，其性能优于现有方法且随维度提升优势更明显。
2026-08-11 cs.LG stat.ML
Tessellation Localized Transfer learning for nonparametric regression
Télécom SudParis, Institut Polytechnique de Paris（巴黎理工学院电信南巴黎学院）；Université Paris Nanterre（巴黎楠泰尔大学）；Fédération Enac ISAE-SUPAERO,université de Toulouse（图卢兹大学Enac ISAE-SUPAERO联合会）；ESILV, Pôle Léonard de Vinci（里昂达芬奇中心ESILV）
本文提出一种非参数回归迁移学习框架，通过局部迁移假设建模源-目标关系的异质性，通过联合学习局部迁移函数和目标回归，实现高效迁移并缓解维度灾难。
2026-03-17 math.ST stat.AP stat.ML
Bayesian Modeling of the Structural Connectome for Studying Alzheimer Disease
我们研究连接体结构（连接大脑不同区域的白质）与阿尔茨海默病之间的可能关系。回归模型的协变量，包括年龄，性别和疾病状态的白质连接每对大脑区域的程度提出。我们研究阿尔茨海默病进展与连接体结构之间的可能关系，连接体是连接大脑不同区域的白质。回归模型的协变量，包括年龄，性别和疾病状态的白质连接每对大脑区域的程度提出。受试者不均匀性也通过分布未知的随机效应纳入模型。由于存在大量的区域对，我们还采用了通过graphon（Lovasz and Szegedy（2006））函数的降维技术，其将区域对的函数降低为区域的函数。连接图子函数被认为是未知的，但假设平滑允许将低复杂度的先验放在它们上面。我们追求一个非参数贝叶斯方法，通过分配一个狄利克雷过程的规模混合物的零均值正常的随机效应和有限的随机系列的张量积的B-样条先验的基础graphon函数的分布。马尔可夫链蒙特卡罗技术，用于绘制样本的后验分布的发展。所提出的贝叶斯方法压倒性地优于类似的ANCOVA模型在模拟设置。提出的贝叶斯方法应用于100名受试者的数据集和83个大脑区域和关键区域牵连的连接体的变化被确定。
2019-03-31 stat.ME
A Few Interactions Improve Distributed Nonparametric Estimation, Optimally
该研究针对分布式非参数密度估计问题，推导了单向与交互协议下的极小极大均方风险阶，证明少量超对数轮交互即可达到最优交互速率，并给出基于有偏伯努利变量估计的上下界证明。
2023-08-27 cs.IT math.IT math.ST
Nonparametric data segmentation in multivariate time series via joint characteristic functions
提出非参数方法NP-MOJO，利用联合特征函数检测多元时间序列中边际分布及非线性序列依赖的变点，无需预设变化类型，理论一致且在地震与经济数据中表现良好。
2025-08-05 stat.ME
Inconsistency of the MLE for the joint distribution of interval censored survival times and continuous marks
本文研究了区间删失生存时间和连续型标志变量的联合分布函数的非参数极大似然估计。我们提供了一个新的显式公式的极大似然估计在这个问题。我们使用这个公式和Huang和Louis（1998）的标记特定累积风险函数来获得MLE的几乎必然极限。这一结果导致的充要条件的MLE的一致性，这意味着MLE是不一致的一般。我们表明，可以通过离散化的标记修复的不一致。我们的理论结果支持模拟。
2008-10-28 math.ST stat.TH
Nonparametric estimation of an extreme-value copula in arbitrary dimensions
极值copula的推导通常通过其Pickands依赖函数进行，Pickands依赖函数是单位单纯形上满足某些不等式约束的凸函数。在已知边际和未知极值copula的多元分布的iid随机样本的背景下，D. Zhang，M. T. Wells和L.彭[多元分析杂志99（2008）577-588].没有给出估计量作为单纯形上的随机函数的联合渐近分布。此外，估计器的实现需要选择的单形的权函数的数量，其最佳选择的问题悬而未决。一个新的，简化的代表性的CFG估计结合标准的经验过程理论提供了手段，揭示其渐近分布在空间中的连续，实值函数的单纯形。此外，在一定的线性回归模型中的截距的普通最小二乘估计提供了一个自适应版本的CFG估计，其渐近行为是相同的，如果方差最小化权函数被使用。如模拟研究所示，效率的提高可以相当可观。
2009-10-05 math.PR math.ST stat.TH
Nonparametric inference of photon energy distribution from indirect measurements
我们考虑核物理中的一个密度估计问题。伽马光子撞击半导体探测器，产生电流脉冲。该脉冲的积分等于光子在探测器中产生的电荷总量，其与光子能量线性相关。因为光子的到达间隔可以短于电荷收集时间，所以对应于不同光子的脉冲可以重叠，导致被称为堆积的现象。当光子速率增加时，由于堆积引起的光子能量谱估计的失真变得更严重，使得堆积校正技术对于高计数率实验是必须的。在本文中，我们提出了一种新的技术来纠正堆积，它扩展了\cite{hall:park:2004}中介绍的方法，用于估计服务时间的忙期在M/G/ $\infty$模型。它是基于一个新的公式连接的能量和脉冲的集群的持续时间的联合分布和光子的能量的分布。然后，我们通过提供其综合平方误差的表达式来评估此估计的性能。一个蒙特卡罗实验，以说明在实际的例子堆积校正的好处。
2006-06-12 math.ST stat.TH
Inference for Balance in Dynamic Signed Networks
Carnegie Mellon University（卡内基梅隆大学）；The Ohio State University（俄亥俄州立大学）
针对动态符号网络，提出非参数推断方法估计指定时间点的结构平衡度，采用核平滑估计器利用时间平滑性，并基于Edgeworth展开建立高阶分布近似，理论证明时间平滑可降低稀疏网络中的观测噪声方差。
2026-06-07 stat.ME
