A Sieve Estimator for the Mean of a Gaussian Process
高斯过程均值函数的筛估计量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：摘要研究一般高斯过程且不限定时间参数，归入具体时间序列计量方向的证据不足。
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
高斯过程均值函数的筛估计量
- 研究问题
- 在协方差已知的一般高斯过程中，如何从数据显式构造均值函数的筛估计量，并建立逐点及函数范数下的收敛性质？
- 方法与思路
- 作者提出可由数据显式计算且分布简单的筛估计量，研究逐点渐近无偏、弱及均方一致性和适当范数下的强一致性。
- 材料陈述的贡献
- 摘要称给出一般高斯过程均值函数的新筛估计，并在不额外限制时间参数或协方差形式的表述下建立多种一致性结果。
- 阅读关注点
- 应核对协方差已知的使用方式、筛空间及观测安排、适当范数的定义，以及摘要中不限制时间参数的准确含义。
- 阅读边界
- 仅据版本未明的 OpenAlex 索引摘要；完整条件及范数未说明，协方差已知是明确前提，不能直接推广到协方差未知情形。
原文摘要
A new sieve estimator for the mean function $m(t)$ of a general Gaussian process of known covariance is presented. The estimator $\hat{m}(t)$ is given explicitly from the data and has a simple distribution. It is shown that $\hat{m}(t)$ is asymptotically unbiased and consistent (weakly and in mean square) at each $t$, and that $\hat{m}$ is strongly consistent for $m$ in an appropriate norm. No assumptions are made about the "time" parameter or the covariance.