Stein estimation for the drift of Gaussian processes using the Malliavin calculus
利用 Malliavin 演算的高斯过程漂移 Stein 估计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：摘要研究高斯过程的通用决策理论，未交代时间序列观测结构或金融应用等直接分类依据。
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
利用 Malliavin 演算的高斯过程漂移 Stein 估计
- 研究问题
- 对高斯过程的漂移函数进行非参数估计时，如何构造 Stein 型改进估计，并与极小极大及贝叶斯估计联系起来？
- 方法与思路
- 作者使用 Malliavin 分部积分公式和高斯空间上的超调和泛函，构造漂移的 Stein 型估计量，并通过数值模拟说明。
- 材料陈述的贡献
- 摘要称构造了漂移的 Stein 型超有效估计量，并扩展 Berger 和 Wolpert 关于高斯过程 James–Stein 型估计的工作。
- 阅读关注点
- 应核对风险函数、基准估计量、漂移参数空间及超调和条件，并确认“超有效”的准确含义和改进适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；损失函数、风险改进条件和模拟结果未说明，不能据术语推断普遍优势。
原文摘要
We consider the nonparametric functional estimation of the drift of a Gaussian process via minimax and Bayes estimators. In this context, we construct superefficient estimators of Stein type for such drifts using the Malliavin integration by parts formula and superharmonic functionals on Gaussian space. Our results are illustrated by numerical simulations and extend the construction of James–Stein type estimators for Gaussian processes by Berger and Wolpert [J. Multivariate Anal. 13 (1983) 401–424].