Semi-supervised distribution learning
半监督分布学习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：摘要讨论通用半监督分布估计，未明确涉及经济分布效应或其他所列应用方向。
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…
半监督分布学习
- 研究问题
- 在同时拥有有标签与无标签数据时，如何利用额外协变量信息估计整个分布，并处理函数过程的一致性问题？
- 方法与思路
- 作者通过逼近给定协变量的条件分布提取无标签数据的信息，再利用 K 折交叉拟合构造分布估计量。
- 材料陈述的贡献
- 摘要称估计量具有一致性与渐近高斯过程性质，并在一定条件下比经验分布函数更有效率，可用于参数推断及拟合优度检验。
- 阅读关注点
- 应核对两类数据的抽样关系、条件分布逼近要求、过程收敛的适用范围，以及效率比较成立的具体条件。
- 阅读边界
- 仅据所给 Crossref 摘要，所谓温和条件尚不具体，无法判断无标签数据在何种情况下带来效率收益。
原文摘要
Abstract This study addresses the challenge of distribution estimation and inference in a semi-supervised setting. In contrast to prior research focusing on parameter inference, this work explores the complexities of semi-supervised distribution estimation, particularly the uniformity problem inherent in functional processes. To tackle this issue, we introduce a versatile framework designed to extract valuable information from unlabelled data by approximating a conditional distribution on covariates. The proposed estimator is derived using K-fold cross-fitting, and exhibits both consistency and asymptotic Gaussian process properties. Under mild conditions, the proposed estimator outperforms the empirical cumulative distribution function in terms of asymptotic efficiency. Several applications of the methodology are given, including parameter inference and goodness-of-fit tests.