Confidence balls in Gaussian regression
高斯回归中的置信球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：摘要是高斯均值向量置信集的一般统计理论，缺少面板、时间序列、因果或金融模型的文本依据，因此暂不分类。
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
高斯回归中的置信球
- 研究问题
- 观察具有未知均值的高斯向量时，如何构造达到预设覆盖概率的欧氏置信球，并评价其有限样本性质和最优性？
- 方法与思路
- 作者在所给高斯向量观测框架下构造均值向量的欧氏置信球，针对每个维度描述非渐近性质，并按若干标准讨论最优性。
- 材料陈述的贡献
- 摘要称方法能构造具有指定覆盖概率的置信球，并给出非渐近性质及某些标准下的最优性，但未展开具体标准。
- 阅读关注点
- 应核对噪声尺度是否已知、球心与半径的构造、覆盖保证的参数范围，以及最优性使用的损失和比较集合。
- 阅读边界
- 索引摘要未注明稿件版本，不能推断刊本变化；摘要未说明噪声尺度处理与最优性准则，不能扩展到非高斯或任意协方差情形。
原文摘要
Starting from the observation of an ℝn-Gaussian vector of mean f and covariance matrix σ2In (In is the identity matrix), we propose a method for building a Euclidean confidence ball around f, with prescribed probability of coverage. For each n, we describe its nonasymptotic property and show its optimality with respect to some criteria.