本文研究了聚合理论中的统计学设置，并通过用较小的局部复杂度替换全局复杂度来加强经典聚合理论的结果，包括基于 Leung 和 Barron 的指数权重估计器的局部经典简单限制，并针对 Q - 聚合估计器提出了偏差最优限制。

Jun, 2023

本文研究了密度估计器线性和凸聚合的问题，并提供相应的程序及其风险的奥卡尔不等式，以及相似核函数的线性和凸聚合方案可在 Sobolev 密度族中进行一致最优的最小化。

May, 2006

本文介绍了在确定性设计下，回归设置中的简单聚合问题，并将其从高斯分布扩展到指数族分布。通过约束和 / 或罚分最大化方法解决此问题并导出了能够在期望和高概率情况下保持的谐振不等式。最后，证明了所有边界在最小化意义上都是最优的。

Nov, 2009

本文提出了一种基于非参数化惩罚最小二乘模型选择的算法来近似解决估计分段常量信号以检测其变化点和群集水平的新问题，并对其准确性进行了统计分析和实验验证。

Dec, 2019

本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和随机优化问题，从而提供了一个有原则的选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开，表明如何通过方差来规范化问题。最后，我们证明了，我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列，包括几何上遗传的 Harris 递归马尔科夫链。

Oct, 2016

本篇研究文章探讨了针对各种概率模型使用 Kullback-Leibler 距离的模型选择类型聚合问题。文章提出了两种聚合方法，并使用惩罚极大似然准则选择聚合权重，给出了高概率的锐利的神谕不等式和相应的下界结果。

Jan, 2016

本研究将非参数知识融入最小均方扩散算法的最大后验估计框架中，提出了一种能够在合作估计器组中鲁棒地估计未知参数向量的算法。通过利用核密度估计和缓冲一些中间估计量，计算每个节点中参数向量的先验分布和条件似然。设计了似然函数使用伪 Huber 损失函数，定义了一个误差阈值函数来减少计算开销并更好地抵抗噪声，当误差小于预定义阈值时停止更新。在存在高斯和非高斯噪声的稳态和非稳态情况下对所提出的算法的性能进行了检验。结果表明，该算法在不同类型噪声存在下具有鲁棒性。

Dec, 2023

使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数，以得到稀疏的无向图模型，并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。

Jul, 2007

通过使用输出聚合模型和高斯过程的变分学习方法，结合新的边界和可行的近似，可显着提高预测准确性和可扩展性，适用于各种可能性，包括疫情的精细空间模拟。

May, 2018

本文研究了平滑样条估计的局部和全局推断问题，并提出了一种名为函数 Bahadur 表示的新技术工具，进而开发了四种相互关联的推断过程：点态置信区间、局部似然比检验、同时置信带、全局似然比检验。同时，讨论了最优性和效率方面的问题。

Dec, 2012