- 自适应 Lasso,迁移 Lasso,及其展望:一个渐近的观点
本论文探讨了自适应 Lasso 和传递 Lasso 的理论特性,介绍了它们在正则化和渐近性质方面的区别,并提出一种综合了两种方法优势并弥补了弱点的新方法,最后通过模拟实验证实了理论并比较了这些方法。
- 渐近性质的路线图及其在 COVID-19 数据中的应用
本篇文章研究了在固定设计下,不满足独立同分布假设的情况下,建立渐近性质的一般程序,并将其应用于许多统计应用中,最终通过使用 COVID-19 数据集对 Poisson 回归进行了实证分析。
- ICML自主驱动的重要性权重理论分析 —— 基于协变量偏移广义化的研究
本文证明了独立驱动的重要性权重算法的有效性,并将其解释为特征选择过程,指定了最小稳定变量集,在理想条件下,该算法可以识别此集合中的变量,并提供了渐近性质分析,结果在多个合成实验中得到证明。
- 广义后验的渐近正态性、集中性和覆盖性
本文提出了广义后验具有集中性,渐进正态性 (Bernstein-von Mises),A Laplace 近似正确,以及渐近正确的频率覆盖率的充分条件,并将其应用于广义似然的广义后验中,包括一般的伪似然,高斯马尔科夫随机场伪似然,完全观察的 - 利用分割 - 瓦磨斯坦距离学习生成模型的渐进保证
本研究探讨了通过最小化切片 - 瓦瑟斯坦距离获得的估计量的渐近性质,证明了其一致性和中心极限定理。
- 不完美训练标签的分类
研究了不完美的训练数据标签对分类方法性能的影响,确立了一些条件,使得 knn 和 SVM 分类器对不完美标签有着鲁棒性并在某些情况下表现更佳,而 LDA 分类器因标签噪声而不一致,理论结果得到了模拟研究的支持。
- 无分布假设基于图的双样本检验的一般渐近框架
本文介绍了一种分布无关的基于图形的双样本检验方法,并提供了分析和比较其渐进性质的统一框架。该文章研究表明底层图形的组合特性对关联的双样本检验的性能产生影响,并且可以用于验证和决定在实践中使用哪种检验。
- 用矩方法和度分布建模网络模型
本文提出一种适用于拟合图中概率模型的广义矩方法,通过计算图中某些模式的经验计数,可以拟合大量的概率模型。同时,我们证明了经验图矩的一些一般渐近性质,并证明了估计值的一致性,所有平均度数范围包括 Ω(1)的图都可以使用。此外,我们还得到了关于 - 稀疏线性判别分析的直接估计方法
本文研究高维数据的稀疏线性判别分析,提出了一种基于约束 L1 范数最小化,直接估计精度矩阵和均值向量差积的线性规划判别规则(LPD),该规则具有理论上的可行性和数值上的优越性,同时还能在无法一致估计精度矩阵和均值向量差时发挥作用。该规则应用 - 密度估计的渐近与最优带宽选择
本文研究了最高密度区域的核估计,主要贡献有两个:第一,我们推导了一种适用于 HDR 估计的风险的带宽均匀渐近逼近,用于导出 HDR 估计的带宽选择规则,具有良好的渐近性质;第二,我们还展示了数字研究结果,说明了我们的理论和方法的优点。
- 最优实验设计及相关控制问题
该论文探讨了实验设计与控制之间的强关系,重点强调了实验设计在估计器演变性质中的作用,同时还讨论了实验设计在非参数模型下的统计学习和预测中的应用。
- 随机稳定匹配
本文在研究用稳定匹配问题的原型模型,在不同的图形情况下,稳定匹配问题的难易程度, 并提出了五个猜想来描述随机稳定匹配的渐近特性。