Model-Based and Model-Free point prediction algorithms for locally stationary random fields
局部平稳随机场的模型式与无模型点预测算法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：摘要核心是局部平稳随机场和图像预测，时间序列仅作为背景，未直接研究所列经济预测领域。
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…
局部平稳随机场的模型式与无模型点预测算法
- 研究问题
- 对于仅在局部区域平稳的随机场，如何构造一步点预测，并比较无模型方法与包含趋势或异方差的模型式方法？
- 方法与思路
- 作者把无模型预测原则扩展至局部平稳随机场，同时构造考虑趋势或异方差的模型式预测，在合成数据和图像数据上比较。
- 材料陈述的贡献
- 摘要称两类预测方法在局部平稳随机场情形具有新意，并报告在 CIFAR-10 图像应用中最佳无模型结果优于所比较的模型式结果。
- 阅读关注点
- 应核对随机场的一步预测顺序、局部平稳性与邻域定义、趋势及异方差处理，以及图像实验的评价指标和比较方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出理论条件和具体误差，图像比较不能直接支持宏观或金融预测优势。
原文摘要
The Model-free Prediction Principle has been successfully applied to general regression problems, as well as problems involving stationary and locally stationary time series. In this paper we demonstrate how Model-Free Prediction can be applied to handle random fields that are only locally stationary, i.e., they can be assumed to be stationary only across a limited part over their entire region of definition. We construct one-step-ahead point predictors and compare the performance of Model-free to Model-based prediction using models that incorporate a trend and/or heteroscedasticity. Both aspects of the paper, Model-free and Model-based, are novel in the context of random fields that are locally (but not globally) stationary. We demonstrate the application of our Model-based and Model-free point prediction methods to synthetic data as well as images from the CIFAR-10 dataset and in the latter case show that our best Model-free point prediction results outperform those obtained using Model-based prediction.