正交自举:有效模拟输入不确定性
本文研究了一种高阶无穷小 jackknife 方法来评估机器学习和统计估计器的误差和变异性,并提供了计算所有阶数的递归过程及有限样本精度界限,此方法可在高维度下进行高效计算。
Jul, 2019
该论文介绍了一种名为 Bag of Little Bootstraps(BLB)的新程序,它包括引导和子抽样的特点,旨在提供一种稳健、计算高效的评估估计量的方法。BLB 适用于现代并行和分布式计算体系结构,同时保留引导的通用适用性和统计效率。
Dec, 2011
本文介绍了 bootstrap 方法用于衡量交叉属性的排序、影响因素、性能与预测区间等方面的应用,讨论了传统类别 bootstrap 方法的不足并提出改进方法,并以基因组学为例验证其优越性。
Nov, 2009
本文提出了一种新的 BLB 算法,该算法融合了自助法和子采样的特点,以获得一种健壮、计算效率高的评估估计器质量的方法,适用于现代并行和分布式计算架构,保留了自助法的通用适用性、统计效率和有利的理论属性。
Jun, 2012
基于参数引导算法的等变形式,该方法可以使用任何图像重建技术来量化不确定性,同时能处理无真实数据情况下的图像重建,并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。
Oct, 2023
这篇文章介绍了一种新颖的 Bootstrap 方法,其针对数据依赖关系进行处理,并可在线执行,特别适用于实时应用。作者证明了该 Bootstrap 方案在一般条件下的理论有效性,并通过大量模拟实验表明它能够在复杂的数据依赖关系存在的情况下提供可靠的不确定性量化。本研究架起了经典重采样技术与现代数据分析需求之间的桥梁,为动态、数据丰富的环境中的研究人员和实践者提供了一个有价值的工具。
Oct, 2023
本文介绍了一种广义的自助法技术,用于通过求解估计方程获得的估计量。我们讨论了该技术的一些特例,包括 Efron 的经典自助法、删除 djackknife 和贝叶斯自助法变体。通过示例讨论了该技术的使用。证明了该方法的分布一致性,并获得了重新采样方差估计的渐进表示。
Apr, 2005
本文通过构建基于 BLB 和快速双重自助法的方法,提出了一种新的重采样方法 —— 子采样双重自助法,其在运行时间、样本覆盖和自动实现等方面优于 BLB,并在数值模拟和数据说明中证明了其优势。
Aug, 2015
文中提出了一种基于核分布嵌入的非参数假设检验的野生自助法。该方法适用于一类基于 $V$- 统计量的核检验,通过这种方法可以构建一致性的检验。实验表明,该方法在合成样本、音频数据以及 Gibbs 采样的性能基准测试中表现出很强的性能。
Aug, 2014
本文提出了一种任意时间的臭名昭著的并行蒙特卡洛方法,适用于无法计算似然函数的模型。该算法采用优化程序,以最小化模拟器总结统计和数据的距离。通过采用先验和雅各比重估这些样本的权重,以蒙特卡洛估计的方式来表示后验分布。
Jun, 2015