Distributed statistical inference for massive data
海量数据的分布式统计推断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：摘要讨论一般对称统计量与分布式自助推断，未指向具体计量领域。
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…
关注这篇论文的作者
海量数据的分布式统计推断
- 研究问题
- 对海量数据中的一般对称统计量，分割数据会如何影响估计效率与渐近分布，如何以较低计算成本近似其分布？
- 方法与思路
- 作者区分退化与非退化统计量，分析数据子集数量的作用，并提出两种分布式自助法，其中一种直接重抽子集统计量。
- 材料陈述的贡献
- 摘要称，研究给出分布式统计量的效率与渐近分布及自助近似精度；伪分布式自助法条件较宽，学生化可改善表现。
- 阅读关注点
- 应核对退化性的定义、子集数量与样本量的增长关系、两种重抽样机制，以及学生化改善所需条件和计算成本比较。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未提供增长限制、误差阶或计算数值，不能认定任意数据切分均保持推断效率。
原文摘要
This paper considers distributed statistical inference for general symmetric statistics in the context of massive data with efficient computation. Estimation efficiency and asymptotic distributions of the distributed statistics are provided, which reveal different results between the nondegenerate and degenerate cases, and show the number of the data subsets plays an important role. Two distributed bootstrap methods are proposed and analyzed to approximation the underlying distribution of the distributed statistics with improved computation efficiency over existing methods. The accuracy of the distributional approximation by the bootstrap are studied theoretically. One of the methods, the pseudo-distributed bootstrap, is particularly attractive if the number of datasets is large as it directly resamples the subset-based statistics, assumes less stringent conditions and its performance can be improved by studentization.