Optimal training-conditional regret for online conformal prediction
本文针对非平稳数据流中的在线共形预测问题，提出了结合漂移检测的自适应算法（分别适用于预训练分数和在线训练分数场景），并证明了其在训练条件累积遗憾上达到了极小极大最优性。
📊 Category
stat.TH
161 篇论文
Predictive Coherence and the Moment Hierarchy: Martingale Posteriors for Exchangeable Bernoulli Sequences
该论文证明了在可交换伯努利序列中，仅依赖后验均值的一阶矩无法唯一确定多步预测概率，并指出除非终端值的条件分布被唯一指定，否则基于鞅后验的预测在严格适当评分规则下将被贝叶斯预测严格占优，从而阐明了交换性下实现预测完备性的结构要求。
Bayesian Modeling of Collatz Stopping Times: A Probabilistic Machine Learning Perspective
本文从概率机器学习视角出发，通过贝叶斯分层负二项回归与基于奇数块分解的生成式近似两种模型，对 范围内的 Collatz 总停止时间进行了建模分析，发现低阶模结构（如 ）是解释其异质性的关键因素，且统计回归模型在预测性能上优于生成式近似。
KRAFTY: Khatri-Rao Framework for Joint Cluster Recovery
本文提出了名为 KRAFTY 的框架，通过利用转置 Khatri-Rao 矩阵将联合簇映射到正交子空间，从而在多视图数据中实现更准确的联合簇恢复及模型选择，特别是在联合簇数量超过各视图独立簇数量之和时表现优于现有方法。
K-Means as a Radial Basis function Network: a Variational and Gradient-based Equivalence
本文通过变分和梯度分析，严格证明了经典 K-Means 算法与具有平滑责任机制的可微径向基函数（RBF）神经网络之间的等价性，并引入 Entmax-1.5 解决低温数值不稳定问题，从而实现了将 K-Means 无缝嵌入深度学习架构以进行端到端联合优化。
Estimating Graph Dynamics from Population Observations
本文研究了一种在动态随机图上演化的种群过程，在仅观测各顶点个体数量而无法直接观测图结构的情况下，提出了两个用于估计边存在概率 的估计量，并证明了它们的相合性与渐近正态性。
Uniform convergence of kernel averages under fixed design with heterogeneous dependent data
本文在无需平稳性假设且基于强混合与矩条件的固定设计框架下，推导了核平均的一致收敛速率，并进一步应用于具有时变自回归误差的非参数回归模型。
Sequential Multiple Testing: A Second-Order Asymptotic Analysis
本文建立了序贯多重检验的第二阶渐近最优性统一理论，证明了在特定条件下贝叶斯第二阶最优性可转化为频率派第二阶最优性，从而将若干已知一阶最优程序的样本量误差界从渐近比值为 1 提升为绝对差值有界，并推导出了最小期望样本量的第二阶渐近展开式。
The augmented van Trees inequality
本文提出了一种增强的 van Trees 不等式，该不等式不仅对先验分布边界行为无限制且能提供比经典形式更紧的极小化贝叶斯风险下界，还能用于推导非参数估计量的极小化下界并获得更优甚至精确的常数。
Strong consistency of the local linear estimator for a generalized regression function with dependent functional data
本文研究了强相依泛函数据下广义回归函数的局部线性估计量，证明了其在异质强混合数据下的几乎完全收敛速率，并通过模拟与能耗预测实证表明该估计量在精度上显著优于局部常数估计量。
Robust estimation via -divergence for diffusion processes
本文针对扩散过程高频观测数据中的异常值问题，基于 Kessler 方法近似转移密度并采用-散度构建鲁棒估计量，系统推导了其渐近性质及条件影响函数并讨论了其有界性。
Asymptotic Separability of Diffusion and Jump Components in High-Frequency CIR and CKLS Models
本文提出了一种基于最小密度幂散度估计量（MDPDE）的稳健参数框架，利用扩散与跳跃增量在高频渐近下的尺度分离特性，通过标准化残差的极值分布构建渐近有效的检测阈值，从而在 CIR 和 CKLS 类跳跃扩散过程中实现了对跳跃与扩散成分的一致且稳健的统计判别。
New Berry-Esseen bounds for parameter estimation of Gaussian processes observed at high frequency
本文利用累积量的新估计技术，为高频观测下渐近平稳高斯过程的二阶矩估计量建立了总变差、Kolmogorov 和 Wasserstein 距离下的 Berry-Esseen 界，并证明了这些界在 Ornstein-Uhlenbeck 过程漂移参数估计中比现有文献结果更为精确。
Maximum of sparsely equicorrelated Gaussian fields and applications
本文利用 Chen-Stein 方法研究了稀疏等相关高斯场在三角形区域上的极值分布，确定了标准 Gumbel 律失效的相关性阈值，并解决了高维统计与多重检验领域中的若干遗留问题。
Bayes with No Shame: Admissibility Geometries of Predictive Inference
该论文证明了预测推断中存在四种互不嵌套的容许性几何结构（Blackwell 风险主导、任意时刻有效、边际覆盖有效性及 Cesàro 可接近性），揭示了不同优化准则下最优性的独特证书及其几何不相容性，从而论证了容许性本质上是相对于特定准则的。
On the Statistical Optimality of Optimal Decision Trees
本文建立了经验风险最小化决策树在高维回归与分类中的统计理论，通过引入基于经验局部 Rademacher 复杂度的新型均匀集中不等式框架，证明了其在刻画可解释性与精度权衡方面的最优性，并针对包含稀疏性、各向异性平滑及空间异质性的分段稀疏异质各向异性 Besov 空间推导出了极小极大最优收敛率。
Thermodynamic Response Functions in Singular Bayesian Models
本文提出了一种基于后验退火的统一热力学响应框架，将奇异学习理论中的关键量（如真实对数规范阈值和奇异波动）与 WAIC、WBIC 等贝叶斯准则联系起来，从而为理解奇异模型中的复杂性、预测变异性及结构重组提供了自然的物理解释。
Uniform error bounds of the ensemble transform Kalman filter for infinite-dimensional dynamics with multiplicative covariance inflation
本文针对包含二维纳维 - 斯托克斯方程等非线性动力系统的无限维动力学，建立了集合变换卡尔曼滤波（ETKF）的误差界理论，证明了在适当选择协方差膨胀参数时可实现一致有界的均匀误差，从而从理论上验证了该方法的稳定性及膨胀技术的有效性。
Expected Kullback-Leibler-based characterizations of score-driven updates
该论文通过证明分数驱动（SD）更新在期望 Kullback-Leibler 散度减少的充要条件下具有唯一性，为包括非凹、多变量及误设情形在内的各类 SD 模型提供了坚实的信息论基础，并推导了与自适应优化技术相关的学习率界限。
A computational transition for detecting correlated stochastic block models by low-degree polynomials
本文研究了从具有 个对称社区的稀疏随机块模型中采样得到的成对相关图与独立 Erdős-Rényi 图之间的相关性检测问题，确定了基于邻接矩阵低阶多项式的检测阈值，证明当且仅当子采样概率 超过 Otter 常数 与 Kesten-Stigum 阈值 中的较小值时，该类检测才是可行的。