- 使用 Wasserstein 不确定性集进行鲁棒性假设检验
本研究提出了一种基于 Wasserstein 距离度量的数据驱动假设检验新框架,结构性质使得该模型的复杂度与数据维度和样本大小基本无关,有助于构建鲁棒的检测器。
- 二项分布数据的差分隐私最强统一检验
本文提出了一种基于 Differential Privacy 的 UMP 检验方法,利用经验分布建立二项数据的 Neyman-Pearson 检验,使用 Truncated-Uniform-Laplace (Tulap) 方法获得确切的 p - 高维多元分布的假设检验:一篇选择性综述
本文评述了一些最近为高维多项分布提出的假设检验方法,并且指出了通过采取 minimax 的视角可以自然地得到强有力且实用的检验。
- 利用网络统计量进行大型随机图的两样本检验
本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案,利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述,揭示了一个自然的对策,实现了一致的双样本测试。本文还证明,对于某些网络统计量,所提出的 - 带有增长度数的随机块模型的最优假设检验
研究在平均度数与图像增长的渐近情况下,将 Erdos-Renyi 随机图模型与随机块模型进行比较的方案和方法,提出了一种线性谱统计的新方法,并构建了一系列准确的测试统计量和一类自适应测试来解决假设检验问题。
- 基于稀疏表示的开放集识别
该论文提出了一种基于稀疏表示分类(SRC)的广义算法,用于开放集识别,其中在测试期间未知训练期间存在的所有类别。通过模拟使用统计极值理论(EVT)来构建两个误差分布的尾部,我们将开放集识别问题简化为一组假设检验问题。然后,将与新测试样本的尾 - ICMLPriv'IT:私密且样本高效的身份验证
本研究利用差分隐私方法进行小样本假设检验,以得出隐私参数、准确性参数和错误要求等信息,实现在保证样本大小和错误率时的差分隐私保护
- ICLR记忆增强神经网络在语言理解中的推理
本文介绍了一种新的基于记忆增强神经网络的计算机假设检验方法,并通过在语言理解任务中使用神经语义编码器 (NSE),提高了机器的理解准确度。
- 重新审视针对分类数据的差分隐私假设检验
本文提出了一种新型假设检验方法,能够应用于含有隐私保护的差分隐私数据,并且其偏置较小、效果较好,解决了传统差分隐私假设检验方法中的问题。
- 隐含圈与隐含子矩阵问题的改进平方和下界
提出一种基于低阶半正定松弛和矩阵谱的方法,用于在特定条件下解决隐含团问题的下界证明。
- 极小极大鲁棒假设检验
研究了在名义概率分布受到建模误差和异常值影响的情况下的极小极大稳健假设检验问题,并设计了一个基于相对熵距离的稳健假设检验方案,该方案提高了对建模误差的稳健性,并且是之前 Levy 提出的工作的推广。然后,证明了可以通过复合不确定性类将此方案 - Granger 因果性与有向信息理论的关系:一篇综述
文章回顾了 Granger 因果关系和定向信息理论之间的概念和理论联系,并着重介绍了基于预测、条件独立性和即时耦合的 Granger 因果关系定义,以及基于传输熵的有向信息理论框架下的因果度量方法与 Granger 因果推断框架自然嵌合的假 - 测度度量空间上的持久同调的鲁棒统计、假设检验和置信区间
该研究探讨了与从度量测度空间中提取固定大小的子样本相关的持久同调条形码的分布,证明这些分布提供了度量测度空间的强韧不变量,并展示其在假设检验和提供拓扑数据分析置信区间方面的应用。
- CT-NOR:在连续时间中表示和推理事件
本研究提出了一个能够表达和推理连续时间事件关系的生成模型,并将其应用于网络和分布式计算环境的领域,在从时间戳观察中拟合模型参数后,使用假设检验来发现事件之间的依赖性和行为变化,进而进行监测和诊断。该方法在微软研究剑桥的网络事件跟踪实验中使用 - 基于生成树小波基的图激活检测
本文研究如何在高斯噪声下检测图形激活,其中信号在图形上是分段恒定的,并将其作为假设检验问题。通过引入基于生成树小波基的局部化本地化基础,作者在低信噪比情况下证明了任何生成树都可区分零假设和备择假设。最后,作者使用均匀生成树进行基础构造,得到 - NIPS一种使用随机投射在高维空间中实现更强大的双样本检验方法
在高维情形下考虑了检验两个多元正态分布均值差异的统计假设检验问题,其中引入了投影方法和 Hotelling T^2 统计量,并针对高维条件下的渐近推理,概述了测试的渐近功效函数以及通往提高其他最先进测试功效的充分条件,最后通过基于 ROC - 相关性检测
研究高维向量假设检验问题,该问题决定观察到的向量是否具有独立的正态分量,或者是否具有一小部分相关分量。相关分量可能具有某个已知的组合结构。通过建立相关子集的大小、相关水平和可能相关集合的结构的上下界,确定最小化风险。研究表明在许多情况下,一 - 关于通用预测和贝叶斯确认
通过 Solomonoff 的模型来解决贝叶斯框架的一些问题,该模型拥有众多优势,包括强的总体和弱瞬时界限,可证明它是不可知、再参数化和重新组合不变的。
- 高维变量选择
本文讨论了在高维模型中进行变量选择时可以给出什么样的统计保证,并以某些多阶段回归方法的误差率和功率为例。我们考虑了三种筛选方法:套索、边际回归和前向逐步回归,提出了在某些条件下一致的变量选择方法。