Local regression on path spaces with signature metrics
基于签名度量的路径空间局部回归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：摘要明确讨论序列路径数据，并将时间序列分类列为应用，但未涉及具体宏观经济问题。
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…
基于签名度量的路径空间局部回归
- 研究问题
- 面对以整条路径为观测对象的数据，如何进行非参数回归与分类，并兼顾无限维空间中的统计误差、计算成本和异常值稳定性？
- 方法与思路
- 作者将粗糙路径理论的签名变换与函数型 Nadaraya–Watson 核估计结合，利用签名诱导距离比较路径，并提出稳健签名变体。
- 材料陈述的贡献
- 摘要称方法具有有限样本收敛界，避免大型核矩阵运算的扩展瓶颈；合成与实际数据应用显示有竞争力的准确率和计算表现。
- 阅读关注点
- 应核对签名截断、路径距离及带宽如何选择，收敛界依赖哪些路径分布条件，并检查时间序列分类中的计算比较是否公平。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出收敛率、复杂度或比较数值，其优势适用范围仍需全文核对。
原文摘要
We study nonparametric regression and classification for path-valued data. We introduce a functional Nadaraya-Watson estimator that combines the signature transform from rough path theory with local kernel regression. The signature transform provides a principled way to encode sequential data through iterated integrals, enabling direct comparison of paths in a natural metric space. Our approach leverages signature-induced distances within the classical kernel regression framework, achieving computational efficiency while avoiding the scalability bottlenecks of large-scale kernel matrix operations. We establish finite-sample convergence bounds demonstrating favorable statistical properties of signature-based distances compared to traditional metrics in infinite-dimensional settings. We propose robust signature variants that provide stability against outliers, enhancing practical performance. Applications to both synthetic and real-world data - including stochastic differential equation learning and time series classification - demonstrate competitive accuracy while offering significant computational advantages over existing methods.