Statistical inference for Levy-driven graph supOU processes: From short- to long-memory in high-dimensional time series
本文提出了一种由 Lévy 过程驱动的图 supOU 过程模型，该模型通过图结构刻画高维时间序列分量间的依赖关系并统一了短程与长程记忆性，同时建立了广义矩估计量的理论性质，并通过模拟与欧洲风电容量因子的实证研究验证了其有效性。
📊 Category
stat.TH
161 篇论文
On identification in ill-posed linear regression
本文提出了一种分布无关的新框架，通过定义基于条件数阈值的最小二乘解来形式化病态线性回归中的可识别性，并证明了满足特定条件的线性降维算法能在重尾特征下获得优于传统最小二乘和稀疏估计的收敛速率。
On the relationship between concentration inequalities and maximum bias for depth estimators
本文通过引入统一的浓度不等式框架，深入分析了深度估计量（如 Tukey 中位数、深度散度矩阵及回归估计量）的统计收敛率与鲁棒性之间的关系，推导了最大偏差曲线与崩溃点，并揭示了不同深度公式在崩溃点行为上的显著差异。
A Unifying Integral Representation of the Gamma Function and Its Reciprocal
该论文推导出了一个适用于所有复数 且无需解析延拓的积分表达式，用于统一表示伽玛函数的倒数及其与 的关系。
Finite-Dimensional Gaussian Approximation for Deep Neural Networks: Universality in Random Weights
该论文研究了具有有限阶矩随机初始权重的深度神经网络，在激活函数满足 Lipschitz 条件且层宽以任意相对速率趋于无穷时，建立了有限维分布在 Wasserstein-1 范数下的高斯近似误差界，并给出了特定比例增长情形下的具体收敛速率。
Composite Lp-quantile regression, near quantile regression and the oracle model selection theory
本文提出了一种适用于高维数据的复合 Lp-分位数回归方法，在误差方差无限时展现出优于传统复合分位数回归的模型选择性能，同时推导了近分位数回归的渐近正态性并开发了一种高效的统一优化算法。
Minimum Variance Designs With Constrained Maximum Bias
本文证明了在模型误设条件下，最小化预测方差（受限于最大偏差）或最小化最大偏差（受限于方差）的设计问题，其解均可由具有适当调节常数的极小极大设计给出，反之亦然。
Universal concentration for sums under arbitrary dependence
本文提出了一种适用于任意依赖结构下随机变量和的通用集中界，证明了该界在具有均匀可积尾分位数包络的广泛边际分布族中是渐近最优的，并基于期望短缺的次可加性给出了构造渐近极值耦合的方法以及基于凸变换序比较的实用充分条件。
A complete characterization of testable hypotheses
本文完善了勒·卡姆（Le Cam）关于假设检验可行性的研究，证明了在无需支配测度假设的一般情形下，存在非平凡检验的充要条件是概率测度集 和 的凸包在有界可加测度空间中的闭包在总变差距离下可分离。
Generalization Properties of Score-matching Diffusion Models for Intrinsically Low-dimensional Data
本文证明了在温和的正则性条件下，分数匹配扩散模型能够利用数据的内在低维结构（通过-Wasserstein 维度刻画），在无需紧支集或流形假设的情况下，以优于环境维度的收敛速率学习未知分布，从而有效缓解了维数灾难并建立了与生成对抗网络及最优传输理论的深刻联系。
On large bandwidth matrix values kernel smoothed estimators for multi-index models
本文研究了多指数模型中采用大带宽矩阵值核平滑估计量的渐近性质，阐明了其收敛速率取决于有效维数而非变量总数，从而证明了该方法能天然地缓解维数灾难，并通过数值模拟与波士顿房价数据案例验证了其有限样本表现及带宽选择策略。
The projected isotropic normal distribution with applications in neuroscience
本文针对脑电图相位分析需求，深入研究了投影各向同性正态分布，推导了其三角矩等解析性质并提出了基于冯·米塞斯分布的均值结果统计量近似方法，最终通过闪光刺激实验数据验证了该统计模型在神经科学中的应用价值。
A note on outlier eigenvectors for sparse non-Hermitian perturbations
本文通过建立有限秩预解式约化，证明了在稀疏非厄米随机矩阵模型中，当扰动满足双正交性且稀疏度满足特定增长条件时，模长大于 1 的异常特征值对应的右特征向量在扰动特征子空间上的投影平方依概率收敛于 $1-|\mu|^{-2}$，从而将 [HLN26] 的相关结果推广至一般有限秩情形并解决了开放问题 5。
On the generalized circular projected Cauchy distribution
本文推导了广义圆形投影柯西分布与wrapped Cauchy分布的关系，提出了一种在不假设浓度参数相等情况下检验两个角均值是否相等的对数似然比检验，并通过模拟研究评估了该检验在错误假设真实分布为wrapped Cauchy分布时的性能。
The Pivotal Information Criterion
该论文针对贝叶斯和赤池信息准则在惩罚参数过小导致误报及高维离散优化不可行方面的缺陷，提出了一种基于检测边界选择枢轴惩罚参数的连续优化新准则（PIC），实现在保持预测性能的同时显著降低模型复杂度并精确恢复支持集。
Bayesian Adversarial Privacy
该论文提出了一种基于贝叶斯决策理论的新型情境化隐私度量框架，主张数据发布方应基于先验视角而非条件数据做出披露决策，并认为该框架在意义性、明确性和严谨性上优于差分隐私及统计披露理论。
Beyond Mixtures and Products for Ensemble Aggregation: A Likelihood Perspective on Generalized Means
该论文通过似然视角研究了广义均值在密度聚合中的应用，证明了仅当阶数时（涵盖线性与几何平均），聚合策略才能系统性地优于个体分布，从而为深度集成学习中广泛使用的聚合方法提供了理论依据。
A spectral inference method for determining the number of communities in networks
本文提出了一种基于特征值间隙比的无模型谱推断方法，该方法无需参数估计或调参，能够有效解决稀疏网络及社区数发散场景下社区数量估计的难题，并证明了其统计量的渐近性质。
Extreme Geometric Quantiles Under Minimal Assumptions, with a Connection to Tukey Depth
本文在无需矩条件假设的前提下，建立了极端几何分位数的范数上下界，并揭示了其下界与单变量分位数及半空间（Tukey）深度中心区域之间的新颖联系。
Comparison theorems for the extreme eigenvalues of a random symmetric matrix
本文建立了一个关于独立随机对称矩阵和的最大特征值的比较定理，该定理通过将其与继承其统计特性的 Gaussian 随机矩阵进行比较，不仅强化了既有结果并提供了最小特征值与谱范数的推论，还成功改进了多个领域的特征值界限，并首次完整证明了 Nelson 与 Nguyen 关于稀疏随机降维映射单射性的猜想。