本文介绍了一种基于手动抽样检测的一种保守的序列检验方法,通过事先限定边缘值的范围和不同投票点的误差率来防止选票计算错误,且能概率保证在正常误差范围内,确认选举结果是否正确。
Jul, 2008
本文提出了基于采样的方法来估算选举胜利的边际差,并研究了许多流行的投票规则。
May, 2015
统计学选举学家研究了在通常非常困难获取全部选民偏好的情况下,最常用的赢家预测算法是将选举在少量随机选票中运行,并将获胜者作为预测结果的性能。研究了 $(\epsilon, \delta)$-winner determination 问题,并给出了多种常见投票规则下解决该问题所需样本数量的有趣下界和上界。
Feb, 2015
研究了社会选择中度量失真问题,给出了一种新的投票规则,通过随机化最大允许值与新规则可实现失真小于 2.753,其为计算社会选择中重要而具有挑战性的问题。
Jun, 2023
本文提出了一种评估应用计量经济学结论对样本中很小一部分数据敏感性的方法 —— 近似最大影响摄动法,并提供了有限的样本误差界,发现敏感性取决于推断问题中的信噪比,不会随着渐近逐渐消失,并不是由于错误规范而引起的。
Nov, 2020
在机器学习应用中,非参数的两样本检验方法,如最大均值差异(MMD),通常用于检测两个分布之间的差异。然而,现有文献的大部分假设可以获得两个目标分布的无误差样本。我们放松了这个假设,研究了在 ε 污染下对 MMD 的估计,其中可能存在一个非随机的 ε 比例将一个分布错误地分组到另一个分布中。我们展示了在 ε 污染下,典型的 MMD 估计是不可靠的。相反,我们研究了 MMD 的部分识别,并描述了包含真实未知 MMD 的锐利上下界。我们提出了一种估计这些界的方法,并证明随着样本量的增加,它给出了收敛速度比其他方法更快的对 MMD 最尖锐的界估计。通过使用三个数据集,我们经验证明我们的方法优于其他替代方法:它给出了低错误覆盖率的紧致界。
Aug, 2023
研究发现,俄罗斯 2000 至 2012 年间举行的七次联邦选举中,正整数百分比的投票站数量明显高于预期值,这表明选举结果被操纵,存在广泛的选举舞弊现象。
Oct, 2014
提出了一种关于最小二倍经验风险下界的理论证明,并明确了最小二倍经验风险学习算法的特点,其中包括极限对称性和最小随机化 “投票” 程序。
Jun, 2016
通过最大均匀差异(MMD)测试及相关的理论及实验证明了 Radon-Kolmogorov-Smirnov(RKS)测试是一种能够以多个维度和较高平滑性阶数为基础的、具有全功率的测试方法,与神经网络密切相关。
Sep, 2023
该研究利用 Rao-Blackwell 定理分析和改进展现对称性的大规模概率模型推理的可伸缩性,引入了一种新的边际密度估计器,并在理论和实证方面证明了其比标准估计器高出数个数量级。该理论和算法适用于广泛的概率模型,包括通常不易受到提升的统计关系模型。
Apr, 2013