Nonparametric Sequential Change-point Detection on High Order Compositional Time Series Models with Exogenous Variables
本文研究带外生变量的高阶成分时间序列模型，提出一种非参数序贯变点检测方法，证明了其渐近性质，并成功应用于汽车碰撞率数据的变点检测。
2025-03-04 stat.ME
hermiter: R package for Sequential Nonparametric Estimation
本文介绍了R包hermiter，该包利用基于Hermite级数的估计器实现单变量和双变量概率密度、累积分布、分位数及相关系数的估计，特别适用于序贯和大数据单遍批量估计，并支持并行与分布式计算。
2023-07-02 stat.CO
InClass Nets: Independent Classifier Networks for Nonparametric Estimation of Conditional Independence Mixture Models and Unsupervised Classification
University of Florida（佛罗里达大学）
我们引入了一种新的基于机器学习的方法，我们称之为独立分类器网络（InClass网）技术，条件独立混合模型（CIMM）的非参数估计。我们将CIMM的估计视为多类分类问题，因为将数据集划分为不同类别自然会导致混合模型的估计。InClass网络由多个独立的分类器神经网络（NN）组成，每个网络处理CIMM的一个变量。通过使用合适的成本函数同时训练各个NN来执行CIMM对数据的拟合。神经网络逼近任意函数的能力使得我们的技术是非参数的。进一步利用NN的能力，我们允许模型的条件独立变量是单独的高维，这是我们的技术相对于现有的非机器学习方法的主要优势。我们得到了一些新的结果的非参数可识别的二元CIMM的形式的一个必要条件和一个（不同的）充分条件的二元CIMM是可识别的。我们提供了一个名为RainDancesVI的Python包，并通过几个示例验证了我们的InClass网技术。我们的方法在无监督和半监督分类问题中也有应用。
2020-08-31 cs.LG econ.EM hep-ph
Nonparametric sequential change-point detection for multivariate time series based on empirical distribution functions
序贯变点检测的目的是当被监测的观测值的某些概率属性发生变化时发出警报。这项工作是关注的非参数，闭端检验程序的基础上的经验分布函数，旨在特别敏感的变化，在当代的多元时间序列分布的差异。建议的检测器是适应的统计数据中使用的后验（离线）变点测试，并涉及加权允许给予更多的重要性，最近的观察。由此产生的顺序变化点检测程序进行比较的检测器，通过估计的阈值函数，使假警报的概率保持近似恒定的监测期间。一个通用的结果的渐近有效性，这样一种方法估计的阈值函数的陈述。作为一个推论，渐进有效性的研究序贯检验的基础上，经验分布函数证明了这些进行时，使用一个依赖的乘数引导多变量时间序列。大规模的蒙特卡罗实验表明，所得到的程序具有良好的有限样本性质。衍生的序贯检验的应用说明了金融数据。
2020-10-25 stat.ME
Consistent nonparametric change point detection combining CUSUM and marked empirical processes
考虑了一个具有多元协变量和单变量观测值的弱相依时间序列回归模型，给出了一个检验非参数条件均值函数在变点情况下是否稳定的方法.我们的建议是基于一个修改后的CRAMUM型测试程序，它使用一个连续的标记经验过程的残差。在均值函数不变和平稳性假设的原假设下，我们证明了所考虑的过程弱收敛到中心高斯过程。这就需要对弱因变量的顺序经验过程进行一些复杂的论证。作为结果，我们得到了Kolmogorov-Smirnov和Cramér-vonMises型检验统计量的收敛性.所提出的程序获得了一个非常简单的极限分布和良好的一致性属性，相关的测试缺乏的功能。此外，我们提出了一个自助版本的程序，并讨论其适用性的情况下，不稳定的方差。
2019-01-24 math.ST stat.TH
Nonparametric classification with missing data
本文针对缺失数据下的非参数分类问题，提出基于 anova 型正交分解的框架并推导出不依赖环境维数的 minimax 速率，同时设计 HAM 分类器，在至多多对数因子内达到该速率并通过数值实验验证其有效性。
2024-05-02 math.ST stat.ME stat.TH
Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams
Cornell Tech（康奈尔理工学院）
提出基于赌博框架的非参数序贯检验方法PEAK，用于多数据流均值复合假设检验，在保证第一类错误控制的同时显著减少样本量并降低计算复杂度。
2024-06-02 cs.LG stat.ME stat.ML
Nonparametric inference of gradual changes in the jump behaviour of time-continuous processes
在应用中，随机特征的性质通常是逐渐变化的，而不是突然变化的，也就是说：经过一段时间的恒定相位后，它们开始慢慢变化。在本文中，我们讨论了统计推断的检测和局部化的逐步变化的跳跃特征的离散观察伊藤半鞅。我们提出了一个新的措施的时间变化的跳跃行为的过程。相应的估计的统计不确定性进行了分析，推导出新的结果的弱收敛的序列经验尾积分过程和相应的乘子自助程序。
2017-04-13 math.ST stat.TH
Online Nonparametric Regression with General Loss Functions
University of Pennsylvania（宾夕法尼亚大学）；Cornell University（康奈尔大学）
本文建立了具有任意函数类和一般损失的在线回归的极大极小率。我们表明，低于一定的阈值的函数类的复杂性，极大极小率取决于曲率的损失函数和顺序的复杂性的类。在这个阈值之上，损失的曲率不影响费率。此外，对于平方损失的情况，我们的结果指出了有趣的现象：无论何时序列和i.i.d.经验熵匹配，统计和在线学习的比率是相同的。除了极大极小遗憾的研究，我们得到一个通用的预测，享有既定的最佳利率。我们还提供了设计在线预测算法的方法，这些算法对于某些问题可以在计算上高效。我们说明的技术，通过现有的和新的预测有限的专家和在线线性回归的情况下。
2015-01-26 cs.IT cs.LG math.IT
Estimating Continuous Distributions in Bayesian Classifiers
当用贝叶斯网络对概率分布建模时，我们面临着如何处理连续变量的问题。大多数以前的工作要么解决了离散化的问题，或假设数据是由一个单一的高斯。在本文中，我们放弃了正态性假设，而是使用非参数密度估计的统计方法。对于一个朴素贝叶斯分类器，我们提出了各种自然和人工领域的实验结果，比较两种方法的密度估计：假设正态分布和建模每个条件分布与一个单一的高斯，并使用非参数核密度估计。我们观察到大量的减少在几个自然和人工数据集的错误，这表明核估计是一个有用的工具，学习贝叶斯模型。
2013-02-20 cs.AI cs.LG stat.ML
A class of smooth, possibly data-adaptive nonparametric copula estimators containing the empirical beta copula
研究了一类光滑的，可能是数据自适应的非参数Copula估计，其中包含Sancetta和Saturday引入的经验Bernstein Copula（以及Segers，Sibuya和Tsukahara提出的经验Beta Copula）。在这个类中，一个子类的估计，依赖于一个标量参数确定的边际平滑量和一个功能参数控制的平滑区域的形状被特别考虑。这些参数的影响的实证调查建议集中在两个特定的数据自适应平滑Copula估计，被发现是均匀优于经验β Copula在所有考虑的蒙特卡罗实验。最后，考虑到未来的应用程序的变点检测，相关的顺序经验copula过程弱收敛的条件下提供。
2022-12-19 math.ST stat.TH
Time-uniform, nonparametric, nonasymptotic confidence sequences
置信序列是在无限时间范围内一致有效的置信区间序列。我们的工作发展的置信度序列的宽度为零，与非渐近覆盖的非参数条件下的保证。我们绘制指数浓度的Cramér-Schiff方法，迭代对数（LIL）定律和序贯概率比检验之间的联系-我们的置信序列是第一个时间一致的扩展;提供第二个紧密的，非渐近的特征;并将第三个推广到非参数设置，包括次高斯和伯恩斯坦条件，自归一化过程和矩阵鞅。我们说明了我们的证明技术的一般性，通过推导出一个numerical-Bernstein界增长的LIL率，以及一个新的上LIL的随机矩阵的总和的最大特征值。最后，我们将我们的方法应用于协方差阵估计和Neyman-Rubin潜在结果模型下的样本平均治疗效果估计。
2022-08-06 math.PR math.ST stat.ME
Exact Multivariate Two-Sample Density-Based Empirical Likelihood Ratio Tests Applicable to Retrospective and Group Sequential Studies
多元分布的非参数检验是研究中经常需要的。通常要求基于相对小的向量样本的测试程序精确地控制相应的第一类错误（TIE）率。通常，在多变量检验中，无零分布单变量方法的扩展，例如，Kolmogorov-Smirnov和Cramer-von Mises类型的方案是不精确的，因为它们的零分布取决于底层数据分布。本文扩展了基于密度的经验似然技术，以非参数近似的最强大的多元两样本（MTS）问题的测试，产生一个确切的有限样本检验统计量。我们严格地建立和应用一对一映射之间的平等的向量分布和相关的一元线性投影的分布的平等。在这个框架中，我们证明了一个算法，简化了投影寻踪的使用，只采用了几个无限多的线性组合观测向量分量。所显示的无分布策略以回顾和分组顺序的方式被采用。所提出的技术的渐近一致性。蒙特卡罗研究表明，所提出的程序在各种设置中表现出极高和稳定的功率特性。本文的补充材料可在网上查阅。
2021-01-12 math.ST stat.CO stat.ME
Random Forests for Change Point Detection
提出利用分类器类别概率的多元非参数多变点检测方法 changeforest，证明其一致性，并通过模拟显示其性能优于现有方法。
2023-08-15 stat.ME stat.ML
Batched Nonparametric Bandits via k-Nearest Neighbor UCB
Case Western Reserve University（凯斯西储大学）
针对在线反馈有限的批量非参数上下文老虎机序贯决策问题，提出结合自适应k近邻回归与UCB原理的BaNk-UCB算法，具备近最优后悔保证且实验表现优于分箱基线。
2025-08-01 cs.LG math.ST stat.ME
Nonparametric active learning for cost-sensitive classification
University of Mons（蒙斯大学）
本文提出一种用于代价敏感分类的通用非参数主动学习算法，通过置信界和最小代价查询实现最优交互复杂度，并证明其相对被动学习的增益及上下界近最优性。
2023-09-30 cs.LG math.ST stat.TH
Discrete Sequential Barycenter Arrays: Representation, Approximation, and Modeling of Probability Measures
本文提出了一种基于离散顺序重心数组的概率测度表示方法，能够有效约束均值等关键函数值，同时保持建模灵活性，并通过混合模型应用展示了其在非参数建模中的有效性。
2025-12-01 math.ST stat.ME stat.TH
Sequential adaptive estimators in nonparametric autoregressive models
本文构造了一种序贯自适应方法，用于估计带高斯噪声的非参数自回归模型在给定点处的自回归函数。我们利用序贯核估计。给出了最优自适应收敛速度和极小极大风险的上界。
2010-11-10 math.ST stat.TH
Nonparametric Bandits with Single-Index Rewards: Optimality and Adaptivity
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种单指数带隙算法，通过非参数方法克服维度诅咒，实现最小最大最优后悔并自动适应未知光滑性。
2026-11-06 math.ST
Sequential robust efficient estimation for nonparametric autoregressive models
对于光滑系数非参数自回归模型的点态估计问题，我们构造了有效的稳健截尾序贯估计。对于高斯模型，我们提出了一个自适应程序的基础上构建的序贯估计。建立了极大极小非自适应和自适应收敛速度。事实证明，在这种情况下，这些速率与回归模型相同。
2013-04-17 math.ST stat.TH
Minimax Adaptive Online Nonparametric Regression over Besov Spaces
本文针对Besov空间中的在线对抗回归问题，提出无需预知光滑性参数的小波自适应算法，并进一步设计局部自适应扩展以动态追踪空间非均匀光滑性，从而在异质环境中获得超越全局方法的更精细极小极大遗憾界。
2025-09-22 math.ST stat.ML stat.TH
Inference procedures in sequential trial emulation with survival outcomes: comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife
本研究通过模拟比较了序贯试验模拟中生存结局的多种置信区间构建方法，发现LEF自助法在小样本、低事件率场景下覆盖率最佳且计算高效，而三明治方差估计器在大样本、中高事件率时最优。
2024-07-12 stat.ME
Nonparametric tests for change-point detection à la Gombay and Horváth
在经验过程理论的更广泛的背景下，重新审视和扩展了Gombay和Horváth提出的变点检测的非参数检验。由此产生的测试程序潜在的多变量观测是基于一个连续的推广的功能乘数中心极限定理和修改Gombay和Horváth的开创性的方法，似乎提高了有限样本的行为的测试。大量的候选检验统计量的基础上索引的左下角和半空间的过程被认为是通过广泛的蒙特卡罗实验，涉及单变量，双变量和三变量数据集研究其性能。最后，提供了实用的建议，并举例说明了三变量水文数据的测试。
2012-09-16 stat.ME
A Conversation with Pranab Kumar Sen
Pranab Kumar Sen于1937年11月7日出生于印度加尔各答。他的父亲在Pranab 10岁时去世，因此他的母亲抚养了七个孩子的家庭。鉴于他在考试中的优异表现，Pranab差点进入医学院，但因为他未成年而没有。他于1955年获得加尔各答大学统计学学士学位，1957年获得硕士学位，两次都是全班第一。森博士的论文顺序统计量和nonparametrics下，教授哈里Kinkar南迪的指导下，完成于1961年。1961- 1964年在加尔各答大学任教三年后，森教授于1964年来到伯克利担任客座助理教授。1965年，他加入了北卡罗来纳大学教堂山分校的统计学和生物统计学系，并一直留在那里。森教授的开创性贡献几乎涉及统计学的每一个领域。他是第一个与S. K. Chatterjee，开发了多变量秩检验以及时间序列非参数方法。他也是第一个人谁进行了深入的研究，在顺序nonparametrics最终在他现在著名的威利书顺序Nonparametrics：不变性原则和统计推断和SIAM专着。森教授发表了600多篇研究论文。此外，他还撰写或合著了11本书和专著，并编辑或共同编辑了11卷。他已经指导了80多个博士学位。学生，其中许多人取得了国内和国际上的区别。Sen教授是两个国际期刊的创始共同编辑：序贯分析和统计与决策。
2009-06-23 stat.ME
Sequential nonparametrics and semiparametrics: Theory, implementation and applications to clinical trials
Pranab K.森的主要研究领域是序贯非参数和半参数及其在临床试验中的应用，他对此做出了许多重要贡献。在此，我们回顾了其中的一些贡献和相关的发展。我们还介绍了一些非参数和半参数推断和相关的计算方法在时间序列的生存终点的临床试验的最新工作。
2008-05-16 math.ST stat.TH
Nonparametric extensions of randomized response for private confidence sets
本研究在本地差分隐私约束下，通过泛化“随机响应”机制，提出了针对总体均值的非参数置信区间和时间一致置信序列，并将其扩展至时变均值，应用于私有在线 A/B 测试。
2024-07-24 cs.CR math.ST stat.ME
A Nonparametric Ensemble Binary Classifier and its Statistical Properties
在这项工作中，我们提出了一个集成的分类树（CT）和人工神经网络（ANN）。给出了该分类器的一些统计特性，包括一致性和一个重要参数的上界。数值证据也提供了使用各种现实生活中的数据集，以评估模型的性能。我们提出的非参数集成分类器不受“维数灾难”的影响，可以用于各种各样的特征选择暨分类问题。所提出的模型的性能是相当好的相比，许多其他国家的最先进的模型用于类似的情况。
2018-09-18 math.ST stat.ME stat.TH
Density Estimation via Discrepancy Based Adaptive Sequential Partition
给定定义在某个域$Ω$上的未知绝对连续分布的$iid$观测值，我们提出了一种非参数方法来学习分段常数函数来逼近潜在的概率密度函数.我们的密度估计是定义在$Ω$的二进制划分上的分段常数函数。该算法的关键是使用差异，一个概念来源于准蒙特卡罗分析，以控制分区过程。由此产生的算法简单、高效，并且具有可证明的收敛速度。我们经验证明其效率作为一个密度估计方法。我们提出了它的应用范围广泛的任务，包括找到良好的初始化k-均值。
2018-03-11 stat.ML
Nonparametric plug-in classifier for multiclass classification of S.D.E. paths
针对时间齐次扩散路径的多类分类问题，提出基于漂移与扩散系数非参数估计的 plug-in 分类器，证明其一致性与收敛速率，并用数值实验验证理论结果。
2023-09-27 math.ST stat.ML stat.TH
Simultaneous Nonparametric Confidence Bands for Load-Sharing Systems
本文研究了负荷分担系统的基准分布函数非参数置信带构造问题，针对参数已知和未知情况分别提出了基于Kolmogorov-Smirnov统计量的精确置信带和渐近置信带，并扩展了半参数估计的渐近理论。
2025-04-29 stat.ME
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种通用框架，用于在序列变化点检测后构建置信集，不依赖特定假设，理论上有保证，且在实践中应用广泛。
2026-09-26 cs.AI cs.LG 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
Transformers are Minimax Optimal Nonparametric In-Context Learners
University of Tokyo（东京大学）；Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心）
本文从统计学习理论证明，含线性注意力层的 Transformer 在非参数回归预训练后可达到甚至改进极小极大最优 ICL 风险，并给出任务数与示例数的信息论下界。
2024-10-02 cs.LG stat.ML
Nonparametric Estimation of Path-specific Effects in Presence of Nonignorable Missing Covariates
本文提出一种完全非参数方法，利用影子变量通过序列优化确定冗余函数，解决不可忽略缺失协变量下路径特定效应的估计与推断问题，并应用于NHANES数据集验证。
2024-09-02 stat.ME
A Nonparametric Approach for Multiple Change Point Analysis of Multivariate Data
变点分析在很多领域都有应用。一般的问题涉及的一组时间有序的观察分布的变化的推断。顺序检测是一种在线检测，其中新数据不断到达并进行自适应分析。我们关注的是相关但不同的离线版本，其中对整个序列进行回顾性分析。对于任意维数的多变量观测集，我们考虑了变点个数和变点位置的非参数估计。对于（0，2）中的某个α，我们不对分布变化的性质或超出α阶绝对矩存在的任何分布假设做任何假设。估计是基于层次聚类，我们提出了分裂和凝聚算法。分裂的方法，提供相合估计的数量和位置的变化点在标准的规律性假设。我们比较所提出的方法与竞争的方法在模拟研究。聚类分析的方法应用于评估性能，并允许简单的位置估计的比较，即使估计的数量不同。我们的结论与遗传学，金融和时空分析中的应用。
2013-10-15 stat.ME
Sequential Data-Adaptive Bandwidth Selection by Cross-Validation for Nonparametric Prediction
本文从序贯的观点考虑了非参数回归模型中交叉验证的带宽选择问题。考虑到在应用程序中，人们经常同时针对估计，预测和变化检测，我们研究了顺序内核平滑器的方法，以便将这些任务基于单个统计数据。我们提供了统一的弱大数定律和弱一致性结果的交叉验证的带宽。弱相关误差项的扩展也进行了讨论。误差可以是α-混合或L2-近历元相关的，这保证了交叉验证和的一致收敛性和交叉验证带宽的一致性对于大类时间序列成立。通过分析光伏数据说明了该方法。
2010-10-29 math.PR math.ST stat.AP
Sequential Markov Chain Monte Carlo
我们提出了一个顺序的马尔可夫链蒙特卡罗（SMCMC）算法，从一个序列的概率分布，对应于后验分布在不同的时间在在线应用中进行采样。SMCMC与通常的MCMC一样进行，但每次新数据到达时都会适当更新静态分布。SMCMC在避免粒子简并问题方面优于顺序蒙特卡罗（SMC）。我们提供了理论保证SMCMC的边际收敛在各种设置下，包括参数和非参数模型。所提出的方法相比，竞争对手在模拟研究。我们还考虑了在线非参数回归的应用。
2013-08-18 math.ST stat.TH
E-detectors: a nonparametric framework for sequential change detection
本文提出基于e-过程的非参数序贯变化检测框架，通过Shiryaev-Roberts和CUSUM型e-检测器及其混合设计，在无独立同分布假设下实现有界随机变量均值变化检测，并提供虚警频率和检测延迟的非渐近及近最优界限。
2023-10-29 math.ST stat.ME stat.ML
Non-partitioned e-detectors for nonparametric sequential change detection
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
针对变化前后分布均未知的非参数序贯变化检测问题，提出一类非分区电子检测器，证明其可达到一阶渐近最优检测延迟，适用于多种具体变化场景。
2026-07-31 math.ST stat.ME stat.ML
Efficient pointwise estimation based on discrete data in ergodic nonparametric diffusions
构造了一种基于各态历经扩散过程的离散数据估计给定状态点处漂移系数的截断序贯方法。对于逐点绝对误差风险，得到了一个非渐近上界。对于渐近逐点minimax风险，得到了最优的收敛速度和界中的一个常数.因此，所提出的顺序程序的效率。
2015-09-18 math.ST stat.TH
Fading Boundaries: On a Nonparametric Variant of the Kiefer--Weiss Problem
提出并研究了Kiefer-Weiss问题的一个非参数变体。与经典的Kiefer-Weiss问题类似，目标是最小化序贯检验的最大期望样本量。然而，不是在分布的参数族上取最大值，而是在给定样本空间上定义的所有分布上取最大值。给出了两个最优性条件，一个是必要条件，一个是充分条件.后者是基于现有的结果更一般的极大极小问题的顺序检测。这些结果在本文中是专门的，并明确的。结果表明，非参数Kiefer-Weiss检验是明显不同于其参数对应，并承认非标准的，可以说是违反直觉的属性。特别是，它可以是非截断的，并且严格依赖于它的停止规则是随机的。这些性质的数字说明使用的例子抛硬币，即测试的成功概率的伯努利随机变量。
2020-10-22 math.ST stat.TH
Sample Complexity of Nonparametric Semi-Supervised Learning
Carnegie Mellon University（卡内基梅隆大学）
我们研究了半监督学习（SSL）的样本复杂性，并引入了新的假设的基础上从未标记的数据学习的混合模型和真正的混合模型（未知）类条件分布引起的不匹配。在这些假设下，我们建立了一个$Ω(K\log K)$标记的样本复杂性界，而不施加参数假设，其中$K$是类的数量。我们的研究结果表明，即使在非参数设置，它是可以学习一个接近最佳的分类器，只使用几个标记的样本。不同于以往的理论工作，侧重于二进制分类，我们认为一般的多类分类（$K>2$），这需要解决一个困难的排列学习问题。这种排列定义了一个分类器，其分类误差由混合措施之间的Wasserstein距离控制，我们提供了有限样本的结果，表征了这种分类器的过度风险的行为。最后，我们描述了三种算法计算这些估计的基础上连接到二分图匹配，并进行实验，以说明的优越性的MLE的多数票估计。
2018-09-10 cs.AI cs.LG math.ST
Online Nonparametric Regression
University of Pennsylvania（宾夕法尼亚大学）
我们建立了在线回归的最佳速率为任意类的回归函数的序贯熵（Rakhlin，Sridharan，Tewari，2010）。最佳速率显示出类似于i.i.d./统计学习案例，研究于（Rakhlin，Sridharan，Tsybakov 2013）。在序列熵和i.i.d.经验熵匹配，我们的结果指出了一个有趣的现象，统计学习平方损失和在线非参数回归的速度是相同的。除了非算法研究的极大极小遗憾，我们展示了一个通用的预测，享有既定的最佳利率。我们还提供了一个配方设计在线回归算法，可以计算效率。我们说明的技术，通过现有的和新的预测有限的专家和在线线性回归的情况下。
2014-02-11 cs.LG math.ST stat.ML
Optimal Sequential Kernel Detection for Dependent Processes
在许多应用中，人们感兴趣的是以最小的延迟检测过程中的某些（已知）模式。使用一个渐进的框架，它允许捕获的功能，我们研究了一类适当的顺序非参数核程序下的局部非参数替代品。本文证明了一个新的定理，该定理对于弱混合条件下的相依时间序列成立。该结果提出了从候选内核的有限集中选择内核的简单过程，因此从实践的角度来看也可能很有趣。此外，我们提供了两个新的定理的存在性和显式表示的最佳核最小化的渐近赋范延迟。最后给出了一些算例。
2010-01-12 math.OC math.ST stat.TH
Nonparametric Two-Sample Testing by Betting
本文将序贯双样本检验重构为投注博弈，通过预测策略选择收益函数最大化投注者财富，并以核MMD实例化实现自适应检验，同时扩展至时间变化和不变性检验问题。
2025-08-22 cs.IT math.IT math.ST
The Sequential Normal Scores Transformation
序列的序贯分析通常需要非参数过程，其中最强大的过程经常使用秩变换。在每次新的观察之后对数据序列重新排序可能在计算上变得过于密集。这导致了顺序排名的想法，其中只有最近的观察排名。然而，难以找到，或近似，零分布的统计数据可能导致缺乏普及这些方法。本文提出将序贯秩变换为序贯正态分数，使之成为独立的、渐近标准正态随机变量。因此，可以使用基于正态性假设的原始方法。一种新的方法允许包括先验信息的分位数的形式。它被开发为一种策略，以增加评分统计的灵敏度。该结果为非正态数据序列的分析提供了一种方便有效的方法。此外，四个变化的序贯正常分数使用文献中的例子。研究人员和从业者可能会发现这种方法有用的开发非参数程序，以解决新的问题，扩展使用参数程序时，分布假设不满足。这些方法对于需要高效计算方法的大数据流特别有用。
2017-05-09 math.ST stat.TH
Nonparametric volatility change detection
我们考虑了一个非参数异方差时间序列回归模型，并提出了检测条件方差函数变化的检验方法。该测试是基于一个连续的显着的经验过程，从而结合了经典的EQUIUM测试显着的经验过程的方法，从拟合优度测试。该测试是一致的，对一般的替代品的条件方差函数的变化，一个功能，经典的CRACUUM测试缺乏。我们推导出一个简单的极限分布，并在单变量协变量的情况下，甚至获得渐近分布免费测试。我们在模拟研究中展示了测试的良好性能，并将汇率数据视为真实数据应用程序。
2019-06-07 math.ST stat.TH
Turing--Entropic Tail Classification: A Nonparametric Approach to Tail Inference
Mississippi State University（密西西比州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出TENT非参数信息论框架，通过比较经验与理论尾部轮廓分类尾部衰减形式，可生成尾部参数估计，经模拟验证其在多尾部类别与抽样机制下的有限样本性能，还为扩展至连续数据提供了合理途径。
2026-08-10 math.ST stat.AP stat.TH
Optimal Bayes Classifiers for Functional Data and Density Ratios
Bayes classifiers for functional data pose a challenge. This is because probability density functions do not exist for functional data. As a consequence, the classical Bayes classifier using density quotients needs to be modified. We propose to use density ratios of projections on a sequence of eigenfunctions that are common to the groups to be classified. The density ratios can then be factored into density ratios of individual functional principal components whence the classification problem is reduced to a sequence of nonparametric one-dimensional density estimates. This is an extension to …
2016-05-12 math.ST stat.ME stat.TH
Truncated Random Measures
完全随机测度（CRM）及其归一化是贝叶斯非参数先验的丰富来源。例子包括beta、gamma和Dirichlet过程。在本文中，我们详细介绍了两个主要类别的顺序CRM表示-系列表示和叠加表示-在其中，我们组织新的和现有的顺序表示，可用于模拟和后验推理。这两个类和它们的组成表示从属于先前以特定方式为特定过程开发的现有表示。由于一个完整的无限维CRM不能显式地用于计算，序列表示往往被截断的易处理性。我们提供了截断误差分析每一种类型的顺序表示，以及他们的规范化版本，从而推广和改进现有的截断误差界在文献中。我们分析了顺序表示的计算复杂性，结合我们的误差界，使我们能够直接比较表示，并讨论其相对效率。我们包括我们的理论结果，以常用的（归一化）标准物质的许多应用程序，表明我们的研究结果，使一个简单的表示和分析标准物质，以前没有在贝叶斯非参数上下文中。
2019-02-18 math.ST stat.ME stat.TH
Conditional distributions for the nested Dirichlet process via sequential imputation
针对嵌套狄利克雷过程后验分布计算复杂的问题，提出基于序贯插补的新方法，以高效确定条件分布。
2025-10-09 math.PR math.ST stat.TH
Minimax And Adaptive Transfer Learning for Nonparametric Classification under Distributed Differential Privacy Constraints
本文研究了在分布式差分隐私约束及后验漂移模型下非参数分类的极小化与自适应迁移学习，建立了极小化误分类率并开发了实现最优率的数据驱动自适应分类器。
2024-06-28 math.ST stat.ME stat.ML
Sequential Predictive Two-Sample and Independence Testing
Carnegie Mellon University（卡内基梅隆大学）
针对核方法在结构化数据序贯两样本与独立性检验中核选择困难的问题，提出基于预测的博弈检验策略，在结构化场景下效果更优且适用于分布漂移的非独立同分布数据。
2023-07-19 cs.LG math.ST stat.ME
Anytime-valid sequential testing for elicitable functionals via supermartingales
本文利用评分与识别函数构造原假设下的非负超鞅，并结合 Ville 不等式及在线凸优化遗憾界，为可引出、可识别泛函的非参数序贯检验提供随时有效性与渐近功效保证。
2023-06-04 math.ST q-fin.RM stat.ME
