Adaptive Inference for the Mean of a Gaussian Process in Functional Data
函数型数据中高斯过程均值的自适应推断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：摘要研究独立轨迹的函数型推断，没有直接研究宏观时间序列或所列其他专门方向。
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…
函数型数据中高斯过程均值的自适应推断
- 研究问题
- 独立高斯过程轨迹在随机时点观测且带有加性误差时，如何自适应估计均值函数，并构建适应未知正则性的置信球？
- 方法与思路
- 作者基于函数基展开的阈值最小二乘估计，使用数据确定阈值，通过预言不等式推导速率，并构建无需显式估计协方差算子的置信球。
- 材料陈述的贡献
- 摘要称估计可适应均值在基下的未知稀疏性，置信球适应均值与协方差的正则性；模拟显示对较大随机误差变化较稳健。
- 阅读关注点
- 应核对随机观测设计、误差条件、基与阈值选择，尤其检查置信球的覆盖含义、适应范围及模拟所使用的误差设置。
- 阅读边界
- 仅据 Crossref 摘要；具体速率、覆盖条件和模拟数值未提供，函数轨迹不能直接等同于一般时间序列，亦不能推断版本变化。
原文摘要
Summary We propose and analyse fully data-driven methods for inference about the mean function of a Gaussian process from a sample of independent trajectories of the process, observed at random time points and corrupted by additive random error. Our methods are based on thresholded least squares estimators relative to an approximating function basis. The variable threshold levels are determined from the data and the resulting estimates adapt to the unknown sparsity of the mean function relative to the approximating basis. These results are obtained via novel oracle inequalities, which are further used to derive the rates of convergence of our mean estimates. In addition, we construct confidence balls that adapt to the unknown regularity of the mean and covariance function of the stochastic process. They are easy to compute since they do not require explicit estimation of the covariance operator of the process. A simulation study shows that the new method performs very well in practice and is robust against large variations that may be introduced by the random-error terms.