Probability-Centered Prediction Regions
概率居中的预测区域AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用预测区域，未明确涉及宏观序列预测或金融收益预测。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
概率居中的预测区域
- 研究问题
- 给定学习样本与条件覆盖概率时，如何进一步约束预测区域，使向量或函数值对象的区域具有唯一确定的中心规则？
- 方法与思路
- 作者提出一般的概率居中概念，把标量等尾预测区间的思想扩展到向量和函数值对象，并结合覆盖约束。
- 材料陈述的贡献
- 摘要称概率居中与指定覆盖概率共同唯一确定预测区域，并通过若干例子展示这一概念的适用范围及影响。
- 阅读关注点
- 应核对概率居中的数学定义、条件覆盖所依赖的概率模型，以及唯一性成立的条件和例子中的具体构造。
- 阅读边界
- 仅据版本未注明的索引摘要；分布未知时如何估计覆盖率及唯一性条件未说明，也未声称区域具有最小体积。
原文摘要
Consider the problem of constructing a prediction region $D_n$ for a potentially observable variable $X$ on the basis of a learning sample of size $n$. Usually, the requirement that $D_n$ contain $X$ with probability $\alpha$, conditionally on the learning sample, does not uniquely determine $D_n$. This paper develops a general probability-centering concept for prediction regions that extends to vector-valued or function-valued $X$ the classical notion of an equal-tailed prediction interval. The dual requirements of probability centering and specified coverage probability determine $D_n$ uniquely. Several examples illustrate the scope and consequences of the proposed centering concept.