Jun, 2024

条件扩散模型下混合油长度的置信区间估计

PDF
TL;DR通过使用条件扩散模型学习给定管道特征的混合油长度分布，并基于所学习的扩散模型生成的伪样本设计置信区间估计方法，我们提出了一种考虑统计变异性的油混合长度估计方案，从而减少了低估的可能性。当将区间的上界作为排除混合油的参考时，低估的概率可降至最小的 5％，较 50％大幅减少。此外，与常用方法相比，利用所生成伪样本的均值作为混合油长度的估计器，可将预测准确度提高至至少 10％。
发现论文，激发创造
  • 分布式适应性预测

    本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

    Sep, 2019

  • 无模型预测及不确定性评估

    利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点，尽管在理解收敛速度方面取得了相当的进展，但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白，我们提出了一种新的框架，将深度估计范式转化为一种有利于条件均值估计的平台，利用条件扩散模型。在理论上，我们为条件扩散模型开发了端到端的收敛速度，并建立了生成样本的渐近正态性。因此，我们可以构建置信区间，便于进行鲁棒的统计推断。此外，通过数值实验，我们在实践中检验了我们提出的方法的有效性。

    May, 2024

  • 估计纠缠单样本分布中的位置参数

    本研究考虑了独立采样数据的公共平均值估计问题，提出了一种估计器，它能够适应数据异质性的水平，在 i.i.d. 和某些非同质​​​​​​​的设置下均达到近似最优，其估计器既考虑了传统统计学中的模态区间、shorth、中位数估计器，又利用了新型经验过程理论结果，在多元估计和回归的情况下，我们提出了可在多项式时间内运行的估计器版本。

    Jul, 2019

  • 深度网络自适应、无分布预测区间

    提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。

    May, 2019

  • 双组分混合模型的估计及其在多重检验中的应用

    基于形状约束函数估计的思路，本文提出了一种估计混合比例和未知分布的方法，研究了其一致性和收敛速率，开发了自动化的无分布有保证的混合比例置信下限估计方法，并分析了在天文与微阵列实验中的应用。

    Apr, 2012

  • 高维回归的置信区间和假设检验

    该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

    Jun, 2013

  • 利用辅助区间预测器通过不确定性匹配构建校准的深度模型

    为了解决深度学习模型不确定性的问题，开发了一种新的方法来构建校准的估计器，通过预测模型和区间估计模型交互，显著提高了回归、时间序列预测和对象定位等任务的效果和校准能力。

    Sep, 2019

  • 高维线性模型低维参数的置信区间

    本文提出了一种针对高维数据中低维度参数的统计推断方法，重点在于构建线性回归模型中单个系数和多个系数的线性组合的置信区间，提出的估计器在趋于无穷时渐近正态，其有限维协方差矩阵的一致估计器满足充分条件，模拟结果证明了置信区间的覆盖概率准确性，强烈支持理论结果。

    Oct, 2011

  • 用 Lookahead Diffusion 概率模型改进均值估计

    本研究提出一种基于深度神经网络和先行扩散概率模型的方法，通过在反向过程中的外推方法进行修正，提高了条件高斯分布均值的估计精度，进而提高了 FID 得分。

    Apr, 2023

  • 二元回归是否可能进行无分布推断？

    研究提供不基于数据分布的置信区间用于二分类回归问题，建立置信区间的下限并构建数据量大小无关的求解方法。

    Apr, 2020