Generative modeling for the bootstrap
用于自助法的生成式建模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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用自助法与生成式推断，没有明确对应所列领域细分的应用对象。
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…
用于自助法的生成式建模
- 研究问题
- 从观测样本学习并生成合成数据，能否为常规与非常规估计量提供有效自助推断，尤其应对经典自助法失效的情形？
- 方法与思路
- 作者将生成式建模用于自助抽样，从观测样本模拟合成数据，并将该思路解释为平滑自助法的现代扩展。
- 材料陈述的贡献
- 摘要称，该方法可构造适用于常规与非常规估计量的有效置信区间，并可能缓解高维及非根号样本量收敛带来的困难。
- 阅读关注点
- 应核对生成分布的逼近要求、置信区间有效性的含义，以及经典自助法失效时新方法成立所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明生成模型类别与误差要求，维度缓解表述也不能视为普遍保证。
原文摘要
Generative modeling builds on and substantially advances the classical idea of simulating synthetic data from observed samples. This paper shows that this principle is not only natural but also theoretically well-founded for bootstrap inference: it yields statistically valid confidence intervals that apply simultaneously to both regular and irregular estimators, including settings in which Efron's bootstrap fails. In this sense, the generative modeling-based bootstrap can be viewed as a modern version of the smoothed bootstrap: it could mitigate the curse of dimensionality and remain effective in challenging regimes where estimators may lack root-$n$ consistency or a Gaussian limit.