Adaptive estimation for nonparametric circular regression with errors in variables
针对变量含误差的圆回归问题,本文构建自适应估计器并分析其理论收敛速率,通过仿真与真实数据验证方法有效性,为圆型或线型协变量场景提供非参数估计方案。
2025-08-26 math.ST stat.TH
Adaptive non-asymptotic confidence balls in density estimation
我们建立了一个真实值样本$X_1,...,X_n$的共同密度$s$的置信球。我们使用的方法来估计投影的$s$到有限维线性空间和模型选择过程中选择一个最优逼近空间。覆盖属性确保所有$n\geq2$和球是自适应的线性空间的集合。
2010-07-26 math.ST stat.TH
Optimal adaptive estimation of linear functionals under sparsity
考虑高斯序列模型中线性泛函的估计问题,其中R^d中的未知向量θ属于一类s-稀疏向量,且s未知.我们建议一个自适应估计实现非渐近收敛速率,不同于最大极小率的对数因子。我们还表明,这种最佳的自适应率不能提高时,s是未知的。此外,我们还讨论了同时适应s和噪声方差σ ^2的问题。我们提出了一个估计器,当s和σ ^2都未知时,它可以达到最优的自适应速率。
2017-10-06 math.ST stat.TH
Adaptive density estimation for clustering with Gaussian mixtures
高斯混合模型被广泛用于研究聚类问题。这些基于模型的聚类方法需要通过高斯混合来准确估计未知数据密度。在Maugis和Michel(2009)中,提出了一种惩罚极大似然估计,用于自动选择混合成分的数量。本文考虑了对数局部β-Hölder的单变量密度集在矩和尾条件下的情形.我们证明了这种惩罚估计是极小极大自适应的β规律性的密度在Hellinger意义。
2011-10-14 math.ST stat.TH
Adaptive nonparametric estimation for Lévy processes observed at low frequency
本文讨论低频Lévy过程的自适应非参数估计。对于Lévy测度的一般线性泛函,我们构造了核估计,给出了风险上界,并在正则性假设下得到了收敛速度。我们的重点在于带宽的自适应选择,使用模型选择技术。我们在这里面临一个非标准问题的模型选择未知的方差。针对这个问题提出了一种新的方法,它也允许一个简单的推广到一个经典的密度反卷积框架。
2013-08-29 math.ST stat.TH
On adaptive minimax density estimation on $R^d$
我们解决的问题,自适应极小极大密度估计的$\bR^d$与$\bL_p$ -各向异性的Nikol'skii类的损失。在函数类和风险的定义中,我们充分刻画了极大极小风险在正则性参数和范数指标之间的不同关系下的行为。特别是,我们表明,有四个不同的制度方面的行为的极大极小风险。我们开发了一个单一的估计,这是(近)最佳的orderover的各向异性Nikol'skii类的完整规模。我们的估计过程是基于数据驱动的选择一个估计从一个固定的家庭的核估计。
2013-06-18 math.ST stat.TH
Nonparametric adaptive time-dependent multivariate function estimation
本文研究了在小强度加性圆柱高斯白噪声存在下观测到的不定常多元函数的非参数估计问题。我们推导出极小极大下界的$L^2$ -风险在建议的时空模型的强度为零,当潜在的未知响应函数被假定为属于一个球的适当构造的非齐次不定常的多变量函数,由实际应用的动机。此外,我们提出了非自适应的线性和自适应的非线性小波估计是渐近最优的(在极大极小的意义上)在广泛的非齐次不定常多元函数的球。建议的自适应非线性小波估计的有用性说明与模拟和真实数据的例子的帮助。
2012-10-31 math.ST stat.TH
Volatility Estimation of Hidden Markov Processes and Adaptive Filtration
考虑了观测值中含有低噪声的部分可观测线性随机微分方程系统。核型估计用于估计观测过程极限导数的二次变差。然后将该估计量用于不可观测成分波动率平方积分的非参数估计。该估计器也用于构造替代估计器的情况下,在可观测分量的漂移和波动的状态分量依赖于一些未知的参数。然后,这种替代估计器和费舍尔评分设备允许我们介绍一步MLE过程和自适应卡尔曼-布西滤波器。
2022-11-22 math.ST stat.TH
Adaptive Density Estimation on Bounded Domains
本文研究了定义在[0,1]^d上的密度函数的Lp模估计.我们构建了一个新的家庭的核密度估计,不遭受所谓的边界偏差问题,我们提出了一个数据驱动的程序的基础上的Goldenshluger和Lepski方法,共同选择一个内核和带宽。我们得到两个估计,满足预言型不等式。它们也被证明是自适应的各向异性或各向同性的Sobolev-Slobodetskii类(这是Besov或Sobolev经典类的特殊情况)的规模。各向同性过程的主要兴趣是获得自适应的结果,没有任何限制的平滑参数。
2018-10-25 math.ST stat.TH
Adaptive Optimal Nonparametric Regression and Density Estimation Based on Fourier-Legendre Expansion
受金融和技术应用的启发,本文的目标是考虑基于Fourier-Legendre展开的回归和密度分布的自适应估计,以及置信区间的构造-也是自适应的。估计是渐近最优的和自适应的意义上说,他们可以适应未知的光滑。
2007-06-06 math.SP math.ST stat.TH
Adaptive nonparametric estimation of a component density in a two-class mixture model
考虑一类两类混合模型,其中一个组分的密度已知。我们解决的问题的非参数自适应估计的未知概率密度的第二个组成部分。我们提出了一个随机加权核估计与完全数据驱动的带宽选择方法,在精神的Goldenshluger和Lepski方法。给出了点态二次风险的一个预言型不等式以及Holder光滑类上的收敛速度.通过数值模拟说明了理论结果。
2021-02-05 math.ST stat.TH
Adaptive pointwise estimation for pure jump Lévy processes
研究了有界变差纯跳Lévy过程Lévy密度N(x)的自适应核估计.在“高频”背景下,在n个离散时刻观察到样本路径(Δ= Δ(n)趋于零,而nΔ趋于无穷大)。我们构造了函数g(x)=xN(x)的核估计器集合,并提出了一种局部自适应选择带宽的方法。对于二次逐点风险,我们给出了一个预言不等式和一个收敛速率。这个速率被证明是最优的minimax速率。我们给出的例子和模拟结果适合在我们的框架的过程。我们还考虑了不规则采样的情况。
2013-02-13 math.ST stat.TH
Adaptive Density Estimation on the Circle by Nearly-Tight Frames
本文研究了循环数据下非参数密度估计的渐近性质。这里应用的估计过程是基于小波阈值方法:所使用的小波是所谓的墨西哥针,它描述了一个近乎紧的框架上的圆。我们研究了这些估计的$L^{2}$风险函数的渐近行为,特别是它的自适应性,证明了它的收敛速率是接近最优的。
2016-03-15 math.ST stat.TH
Quantile estimation with adaptive importance sampling
我们引入新的分位数估计与自适应重要性抽样。自适应估计是基于加权样本,既不是独立的,也不是同分布。利用鞅的一个新的重对数律,证明了具有非唯一分位数的一般分布的自适应分位数估计的收敛性,从而推广了Feldman和Tucker [Ann. Math. Statist. 37(1996)451- 457]。我们说明了一个例子,从信贷组合风险分析的算法。
2010-02-26 math.ST stat.TH
Adaptive pointwise density estimation under local differential privacy
我们考虑在局部差分隐私约束下,在一个不动点的密度估计,其中的观察是匿名的,然后才可用于统计推断。我们提出了一个私有化版本的投影密度估计以及核密度估计,并推导出他们的极大极小率下的隐私约束。有一个双重恶化的极小极大率由于匿名化,这是不可避免的,我们提供了下界。在这两种估计过程中,必须选择调谐参数。我们提出了一个变种的经典Goldenshluger-Lepski方法选择的带宽和截止维数,分别,并分析其性能。它提供了自适应最小最大最优(对数因子)估计。我们详细讨论了如何的下限和上界依赖于隐私约束,这反过来又反映了修改的自适应方法。
2022-06-15 math.ST stat.TH
Adaptive and non-adaptive estimation for degenerate diffusion processes
讨论了退化扩散方程组离散观测值的参数估计。退化扩散系统的第一分量具有非退化扩散系数中的参数$θ_1$和漂移项中的参数$θ_2$。第二分量具有由$θ_3$参数化的漂移项,并且没有扩散项。本文证明了在三种不同情况下,$θ_3$的自适应估计量,($θ_1$,$θ_2$)的自适应一步估计量,($θ_1$,$θ_2$,$θ_3$)的自适应一步估计量和($θ_1$,$θ_2$,$θ_3$)的联合拟极大似然估计量的渐近正态性.我们的估计纳入两个组件的增量信息。由于这种构造,$θ_1$的估计量的渐近方差小于仅基于第一分量的标准估计量。$θ_3$的估计量的收敛速度比其他参数快得多。所得的渐近方差是小于,仅使用第二个组件的增量的估计。
2020-02-24 math.ST stat.TH
Nonparametric adaptive estimation for pure jump Lévy processes
研究了纯跳Lévy过程Lévy密度的非参数估计。在具有固定采样间隔的$n$离散时刻观察采样路径。我们构建了一个集合的估计得到的反卷积方法和推导出适当的估计的特征函数及其一阶导数。我们得到了一个界的${\mathbb L}^2$ -风险,一般假设下的模型。然后,我们提出了一个罚函数,允许建立一个自适应估计。在Lévy密度的附加假设下,得到自适应估计的风险界。在我们的框架拟合模型的例子进行了描述和估计的收敛速度进行了讨论。
2008-06-20 math.ST stat.TH
Adaptive estimation in regression models for weakly dependent data and explanatory variable with known density
本文研究弱相依解释变量且密度已知时的回归函数估计,提出基于Goldenshluger-Lepski带宽选择的核估计数据驱动方法,证明其满足oracle型不等式且在Hölder类上自适应,并通过无监督学习和模拟验证性能。
2025-07-15 math.ST stat.TH
Statistical Analysis of Chen Distribution Under Improved Adaptive Type-II Progressive Censoring
本文在改进的自适应II型逐步删失数据下,对具有浴缸形危险率的Chen分布参数提出最大似然估计和贝叶斯估计,并通过蒙特卡洛模拟和真实数据验证了方法的有效性。
2023-04-01 math.ST stat.TH
Adaptive estimation of linear functionals by model selection
我们提出了一种基于高斯模型选择技术的线性泛函估计方法。我们证明了该方法是自适应的,并且给出了所选估计量关于$\mathbb{L}_p$损失的风险的非渐近预言不等式。应用于估计信号或其$r^{th}$衍生物在一个给定的点上的问题,并证明了极小极大率保持一致的Besov球。我们还应用我们的非渐近预言不等式估计的平均值的间隔长度取决于噪声水平的信号。仿真来说明在一个给定的点的函数的估计过程的性能。我们的方法提供了一个逐点自适应估计。
2008-10-27 math.ST stat.TH
Adaptive greedy algorithm for moderately large dimensions in kernel conditional density estimation
本文研究了给定Xi = x,由独立同分布的观测值估计Y i的条件密度f(x,$\times$).样本(X i,Y i)$\in$ Rd,i = 1,. ..,n.我们假设f只依赖于r个未知分量,通常为r d。我们提出了一种基于核规则的自适应全非参数策略来估计f。为了选择我们的核规则的带宽,我们提出了一种新的快速迭代算法,该算法受到Rodeo算法(Wasserman和Laffeine(2006))的启发,以检测f的稀疏结构。更准确地说,在极大极小的设置,我们的逐点估计,这是自适应的规律性和稀疏性,达到准最佳的收敛速率。其计算复杂性仅为O(dn log n)。
2021-06-28 math.ST stat.TH
Adaptive estimation of the sparsity in the Gaussian vector model
考虑均值为θ的高斯向量模型。我们研究了估计数量的孪生问题|θ|_0的非零分量,并检验|θ|_0小于某个值。为了检验,我们建立了该模型的极大极小分离距离,并引入了极大极小自适应检验。未知方差的情况下的扩展进行了讨论。重写对|θ|_0作为所有假设的多重检验问题{|θ|_0 <= q},我们都得到了一个新的方法来评估稀疏估计的最优性,我们展示了这样一个最优的过程。这种通用方法为估计各种统计模型中信号的复杂性提供了路线图。
2017-03-01 math.ST stat.TH
Adaptive estimation of and oracle inequalities for probability densities and characteristic functions
近年来,高斯移位有限区间试验的自适应估计理论和预言不等式理论取得了重大进展。特别是,尖锐的极大极小自适应估计和精确的指数型预言不等式已被建议为一个庞大的功能,包括分析和Sobolev与任何积极的指标,以及Efromovich-Pinsker和斯坦blockwise收缩估计。对于密度估计的一个更有趣的应用问题和/或特征函数估计的对偶问题,是否可能得到类似的结果?答案是“是的。特别是,所得到的结果包括精确的指数型预言不等式,允许考虑,在文献中第一次,同时尖锐的极小估计Sobolev密度与任何积极的指数(不一定大于1/2),无限可微密度(包括分析,整个和稳定),以及不是绝对可积的特征函数。同样的自适应估计也是速率minimax在一个熟悉的类分布与有界谱的密度和特征函数可以估计的参数率。
2008-06-18 math.ST stat.TH
Adaptive non-parametric estimation in the presence of dependence
我们考虑非参数估计问题中存在的相关数据,特别是非参数回归随机设计和非参数密度估计。建议的估计过程是基于降维。极小极大最优收敛速率的估计推导出假设一个足够弱的依赖性,其特征在于快速减少的混合系数。我们说明这些结果考虑经典的平滑假设。然而,建议的估计需要一个最佳的选择的尺寸参数取决于某些特性的功能的兴趣,这是不知道在实践中。在我们的工作中解决的主要问题是这个尺寸参数的自适应选择模型选择和Lepski的方法相结合。它的灵感来自Goldenshluger和Lepski(2011)最近的工作。我们表明,这种数据驱动的估计可以达到较低的风险绑定到一个常数提供了一个快速衰减的混合系数。
2016-02-01 math.ST stat.TH
Adaptive Estimation and Statistical Inference for High-Dimensional Graph-Based Linear Models
我们考虑了高维图基线性模型的自适应估计和统计推断。在我们的模型中,回归系数的坐标对应于底层的无向图。此外,给定的图控制回归向量的分段多项式结构。在自适应估计部分,我们应用基于图的正则化技术,并提出了一个家庭的局部自适应估计称为Graph-Piecewise-Polynomial-Lasso。我们进一步研究了图分段多项式套索的一步更新问题的统计推断。我们发展了相应的理论,包括固定设计和亚高斯随机设计。最后,我们通过大量的模拟研究说明了我们的方法的优越性能,并以拟南芥微阵列数据集的应用作为结论。
2020-01-29 math.ST stat.ME stat.TH
Adaptive estimation under single-index constraint in a regression model
研究了随机设计和弱噪声假设下单指标回归模型中多元函数的自适应估计问题。提出了一种新的估计过程,同时适应未知的指标向量和光滑的链接函数,通过选择从一个家庭的特定的核估计。我们建立了一个逐点预言不等式,它反过来又被用来判断估计整个函数的质量(“全局”预言不等式)。这两个结果适用于问题的逐点和全球自适应估计的集合的Hölder和Nikol'skii功能类,分别。
2014-01-28 math.PR math.ST stat.TH
Adaptive density estimation for directional data using needlets
本文研究球面上方向数据的密度估计。我们介绍了一种新类型的球面小波称为{ \it针}阈值的基础上的程序。我们建立了一个极大极小结果,并证明了它的最优性。我们的动机是天体物理学应用,特别是与超高能宇宙射线的分析有关。
2008-07-31 astro-ph math.ST stat.TH
Adaptive quantile estimation in deconvolution with unknown error distribution
对反褶积问题中的分位数估计进行了全面的研究。特别是,更现实的设置未知的误差分布覆盖。我们的插件方法是基于反卷积密度估计,是最小和自然条件下的最小最大最优。这填补了文献中的一个重要空白。通过数据驱动的带宽选择获得最佳自适应估计。作为一个侧面的结果,我们获得了最佳率的插入估计的分布函数与未知的误差分布。该方法被应用到一个真实的数据的例子。
2016-01-15 math.PR math.ST stat.TH
Adaptive spectral density estimation by model selection under local differential privacy
研究了局部差分隐私下的谱密度估计。通过截断和拉普拉斯微扰来实现非线性化。我们选择我们的估计从一组候选估计的惩罚对比标准。这种估计达到几乎相同的收敛速率的最佳估计从候选人集。证明的一个关键成分是最近的结果浓度的二次型的次指数随机变量在arXiv:1903.05964。我们说明了我们的研究结果在一个小的模拟研究。
2020-10-08 math.ST stat.ME stat.TH
Adaptive estimation of a function from its Exponential Radon Transform in presence of noise
在这篇文章中,我们提出了一个局部自适应的策略,从指数Radon变换(ERT)的数据估计的功能,没有先验知识的平滑功能,估计。我们建立了一个非参数核类型估计,并表明,对于一类功能,包括一个广泛的Sobolev正则规模,我们提出的策略如下的最小最大最优速率的$\log{n}$因素。我们还表明,不存在一个最佳的自适应估计的Sobolev规模时,逐点的风险,实际上所达到的建议估计的速度是自适应收敛速率。
2020-11-13 math.ST stat.ME stat.ML
Simple Adaptive Estimation of Quadratic Functionals in Nonparametric IV Models
本文研究了非参数辅助变量(NPIV)模型中二次泛函的自适应Minimax估计,这是带有未知算子的不适定逆回归的非线性泛函的最优估计中的一个重要问题.我们首先证明了二次泛函的留一筛选NPIV估计量可以达到与Chen和Christensen [2018]中先前推导的下界一致的收敛速度。最小最大速率是通过筛选尺寸(关键调整参数)的最佳选择来实现的,这取决于NPIV函数的平滑度和不适定性的程度,两者在实践中都是未知的。接下来,我们提出了一个Lepski型的数据驱动的选择的关键筛尺寸适应未知的NPIV模型功能。二次函数的自适应估计,以达到极大极小最优率在严重不适定的情况下,并在定期轻度不适定的情况下,但乘法$\sqrt{\log n}$因子在不规则轻度不适定的情况下。
2022-02-09 econ.EM math.ST stat.ME
Open Problem: Is Interaction Necessary for Order-Optimal 1-bit Mean Estimation?
National University of Singapore(新加坡国立大学)
探讨非参数有限矩类上1比特均值估计最优阶是否需交互。自适应阈值查询协议可达最优阶极小极大率,非自适应中阈值和区间查询次优,任意非自适应量化器情况未决。
2026-07-07 cs.IT cs.LG math.IT
Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence
Department of Computer Science University College London(计算机科学系伦敦大学学院)
提出双稳健自适应共形推断(DR-ACI),在时间依赖下为双稳健伪结果构建预测区间,结合共形预测与自适应加权,提供有限样本覆盖保证。
2026-06-29 cs.LG stat.CO stat.ML
Adaptive Density Estimation in the Pile-up Model Involving Measurement Errors
受荧光寿命测量的启发,本文考虑了堆积模型中的非参数密度估计问题。自适应非参数估计提出的堆积模型在其简单的形式,以及在额外的测量误差的情况下。此外,预言型风险界的平均集成平方误差(MISE)。最后,评估的估计方法进行了模拟研究和应用到真正的荧光寿命数据。
2010-11-02 stat.AP
Adaptive Controls of FWER and FDR Under Block Dependence
通常在多重检验中,假设出现在不重叠的块中,相关的$p$值在块内而不是块之间表现出依赖性。我们考虑适应Benjamini-Hochberg方法控制的错误发现率(FDR)和Bonferroni方法控制的familywise错误率(FWER),这样的依赖结构,而不会失去其最终控制的FDR和FWER,分别在一个非渐近设置。我们提出了传统的自适应Benjamini-Hochberg和Bonferroni方法的变种,证明了它们各自的控制FDR和FWER。数值结果表明,这些新的自适应方法可以捕捉到目前的依赖结构比相应的传统的自适应方法更有效。本文提供了一个解决方案的开放性问题,构建自适应FDR和FWER控制方法的依赖下,在非渐近设置,并提供真正的改进,相应的非自适应的。
2016-11-10 stat.ME
Two-step estimation in linear regressions with adaptive learning
弱的一致性和渐近正态性的普通最小二乘法估计的线性回归与自适应学习时,导出的关键,所谓的,“增益”参数估计在第一步由非线性最小二乘法从辅助模型。两步估计量的奇异极限分布是正态分布,并且通常受第一步抽样不确定性的影响。然而,这种“生成回归量”的问题在某些参数组合中消失了。
2022-11-02 econ.EM stat.AP
Adaptive Kernel Density Estimation with Pre-training
Department of Statistics and Data Science, Tsinghua University(统计与数据科学系,清华大学)
本文提出利用预训练技术提升高维下自适应核密度估计效率,通过神经网络推荐合适核函数,实验证明在目标分布接近预训练分布时效果显著。
2026-08-04 cs.LG stat.ME stat.ML
Quantum Adaptive Fourier Features for Neural Density Estimation
MindLab(思维实验室);Universidad Nacional de Colombia(哥伦比亚国立大学)
密度估计是统计学和机器学习应用中的基本任务。核密度估计是低维非参数密度估计的有力工具,但在高维情况下性能较差。此外,其预测复杂度与更多的训练数据点成线性比例。本文提出了一种神经密度估计方法,该方法可以看作是核密度估计的一种,但没有高的预测计算复杂性。该方法是基于密度矩阵,在量子力学中使用的形式主义,和自适应傅立叶特征。该方法可以在没有优化的情况下进行训练,但它也可以与深度学习架构集成,并使用梯度下降进行训练。因此,它可以被看作是一种神经密度估计方法。该方法在不同的合成和真实数据集上进行了评估,并将其性能与最先进的神经密度估计方法进行了比较,获得了有竞争力的结果。
2022-08-04 cs.LG quant-ph stat.ML
High-Dimensional Gaussian Copula Regression: Adaptive Estimation and Statistical Inference
我们开发的自适应估计和推理方法,高维高斯copula回归,实现相同的性能,而无需知识的边际变换的高维线性回归。利用Kendall的基于τ的协方差阵估计,提出了一个$\ell_1$正则化估计和相应的去偏估计的置信区间的建设和假设检验。理论性质的程序进行了研究,所提出的估计和推理方法是适应未知的单调边际变换。还考虑了对给定协变量值的响应的预测。该程序易于实现,并在数值上表现良好。该方法也被应用于分析社区和犯罪的非规范化数据从UCI机器学习知识库。
2015-12-08 stat.ME
Minimax and Adaptive Inference in Nonparametric Function Estimation
自1956年Stein的开创性论文以来,收缩在参数和非参数推断中发挥了重要作用。本文讨论了非参数函数估计中的极大极小性和自适应极大极小性。三个相互关联的问题,函数估计下的整体集成平方误差,估计下逐点平方误差,和非参数置信区间,被认为是。收缩是极小极大理论和适应理论发展的关键。虽然这三个问题是紧密相连的,极小极大理论有一些相似之处,适应理论是惊人的不同。例如,与自适应点估计形成鲜明对比的是,在许多常见的设置中,不存在适应底层函数的未知平滑度的非参数置信区间。这些理论的简要说明。讨论了这些问题之间的联系和区别,并通过实例加以说明。
2012-03-22 stat.ME
From Adaptive Kernel Density Estimation to Sparse Mixture Models
Vrije Universiteit Brussel (VUB)(布鲁塞尔自由大学(VUB));imec(比利时微电子研究中心);Xi’an Jiaotong University(西安交通大学)
我们介绍了一个气球估计在广义期望最大化方法估计的所有参数的高斯混合模型给定一个数据样本的混合成分。这种正则化策略没有明确限制模型大小,而是产生低复杂度的稀疏模型,其中有效混合成分的数量随着平滑概率参数$\mathbf{P>0}$的增加而减少。这种半参数方法从非参数自适应核密度估计(KDE)过渡到参数普通最小二乘,当$\mathbf{P=1}$。实验表明,更简单的稀疏混合模型保留了自适应KDE解决方案中存在的细节水平。
2018-12-11 cs.LG stat.ML
Efficient Statistical Estimation for Sequential Adaptive Experiments with Implications for Adaptive Designs
本文提出ADL-TMLE方法,用于在序贯自适应实验中高效估计因果效应,并设计了一种最小化估计量方差的新型自适应设计,模拟验证了其在方差缩减上的优势。
2025-08-17 stat.ME
Technical appendix to "Adaptive estimation of stationary Gaussian fields"
这是“平稳高斯场的自适应估计”的技术附录。我们提出了几个证据,已跳过的主要文件。
2009-08-30 math.ST stat.TH
Adaptive smoothness of function estimation in the three classical problems of the non-parametrical statistic in the three classical problems of the non-parametrical statistic
本文在回归、密度估计和谱密度估计三个非参数统计经典问题中,提出了希尔伯特空间范数意义下的自适应函数光滑性估计方法。
2024-08-31 math.ST stat.TH
Adaptive Estimation of Nonparametric Functionals
我们提供了一般的自适应上界估计非参数泛函的基础上产生的有限维近似的无限维模型的二阶U-统计。然后,我们提供的泛函的理论产生率最佳匹配的自适应上限和下界的例子。我们的结果是自动自适应的参数和非参数制度的估计和自动自适应和半参数有效的参数收敛速度的制度。
2021-06-04 math.ST stat.TH
Robust adaptive efficient estimation for semi-Markov nonparametric regression models
研究了半马氏噪声下连续时间回归模型的非参数稳健估计问题。提出了一种自适应模型选择方法。在噪声分布的一般矩条件下,得到了鲁棒风险的一个尖锐的非渐近预言不等式,并证明了鲁棒有效性。结果表明,对于半马尔可夫模型,鲁棒极小极大算法的收敛速度可能比经典算法快,也可能慢。
2017-03-25 math.ST stat.TH
Adaptive robust estimation in sparse vector model
对于稀疏向量模型,我们考虑估计的目标向量,其L2范数和噪声方差。我们构造自适应估计器,并建立自适应估计的最佳速率时,考虑相对于三元组“噪声水平-噪声分布-稀疏性”的自适应。我们认为类的噪声分布多项式和指数下降的尾巴,以及高斯噪声的情况下。当三元组已知时,所得到的速率与极大极小非自适应速率不同。一个关键问题是忽略了噪声方差。此外,知道或不知道噪声分布也会影响速率。例如,在没有分布的精确知识的情况下,噪声方差的估计速率可以根据噪声是高斯还是亚高斯而不同。在我们的设置中,噪声方差的估计可以被视为污染模型中尺度的鲁棒估计的自适应变体,其中,我们假设它属于某类分布,而不是预先固定“标称”分布。
2020-03-02 math.ST stat.TH
Adaptive Sensing for Estimation of Structured Sparse Signals
在许多实际设置中,可以基于从先前收集的数据中提取的信息来顺序地和自适应地引导未来数据的收集。这些顺序的数据收集过程以不同的名称而闻名,例如顺序试验设计、主动学习或自适应感测/采样。自适应感测范例中的数据分析和采集之间的复杂关系可以是极其强大的,并且通常允许在非自适应感测将显著失败的情况下进行可靠的信号估值和检测。在这项工作中,我们调查的问题,估计支持的结构化稀疏信号从坐标明智的意见下的自适应感知范式。我们提出了一个一般程序的支撑集估计,在各种情况下是最佳的,并表明,通过使用自适应传感可以:(i)减轻观察噪声的影响相比,非自适应传感,(ii)利用结构信息在更大的程度上比可能与非自适应传感。除了一个一般的程序来执行自适应传感在结构化的设置,我们提出了两个性能上界,和相应的下界的两个感测范例。
2013-11-27 math.ST stat.TH
Adaptive asymptotically efficient estimation in heteroscedastic nonparametric regression via model selection
本文讨论了作者在2007年的论文中提出的估计未知非参数回归的自适应过程的渐近性质。我们证明了该方法对于二次风险是渐进有效的,即该方法的渐进二次风险与Pinsker常数一致,该常数给出了所有可能估计量的二次风险的精确下界。
2008-10-07 math.ST 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
Pointwise Adaptive Estimation of the MarginalDensity of a Weakly Dependent Process
本文研究了弱相依过程的公共边际密度函数的估计问题。估计的准确性使用逐点风险计量。我们提出了一个数据驱动的过程中使用内核规则。使用Goldenshluger和Lepski的方法来选择带宽,我们证明了所得到的估计满足一个预言型不等式。该程序也被证明是自适应的(在一个极大极小的框架)在尺度上的Hölder球的几种类型的依赖:强混合过程,$λ$依赖过程或i.i.d.可以使用单个估计过程来考虑序列。一些模拟说明所提出的方法的性能。
2016-03-31 math.ST stat.TH
On adaptive estimation of linear functionals
考虑了参数空间集合上线性泛函的自适应估计。一个类间模的连续性,一个几何量,被证明是有助于在两个参数空间的适应性程度的特征,以同样的方式,通常的模的连续性捕获的极小极大困难估计在一个单一的参数空间。给出了基于有序连续模的最优自适应估计的一般构造。结果补充了几个说明性的例子。
2006-02-14 math.ST stat.TH
Adaptive estimation of the transition density of a Markov chain
本文考虑齐次马尔可夫链的转移密度$π$的一个新的估计。我们引入了一个原始的对比来自回归框架,我们使用模型选择方法来估计$π$在温和的条件下。由此产生的估计是自适应的最佳收敛速率在大范围的各向异性Besov空间$B_{2,\infty}^{(α_1,α_2)}$。还提出了一些模拟。
2006-11-22 math.ST stat.TH
Optimal adaptive estimation of a quadratic functional
考虑了Besov球和$L_p$球上二次泛函的自适应估计。一个非二次估计的集合开发了有用的偏差和方差属性超过个别Besov和$L_p$球。一个自适应过程,然后构造基于惩罚最大化在这个集合的非二次估计。这个过程被证明是最佳速率自适应在整个范围内的Besov和$L_p$球的意义上,它达到一定的约束风险界限。
2007-02-23 math.ST stat.TH