Convolutional Maximum Mean Discrepancy for Inference in Noisy Data
卷积最大均值差异：噪声数据中的推断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。
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：摘要聚焦核方法、测量误差与分布推断的理论与估计量性质，未涉及所给领域细分中的因果推断、面板、时间序列、资产定价等具体方向，故不选择。
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…
卷积最大均值差异：噪声数据中的推断
- 研究问题
- 摘要称，研究如何在变量样本受已知分布、可能异方差的测量误差污染时进行统计推断，因为忽略测量噪声会严重损害推断，而现有校正方法计算代价高、效率低。
- 方法与思路
- 作者提出卷积最大均值差异（convMMD），在噪声卷积后比较分布，并在标准核条件下保持度量有效性；建立不受测量误差影响的有限样本偏差界，证明噪声下检验与核平滑的等价性，并据此构造估计量，用随机梯度下降实现。
- 材料陈述的贡献
- 摘要称，作者建立了不受测量误差影响的有限样本偏差界，证明了噪声下检验与核平滑的等价性，提出基于 convMMD 的估计量并证明其一致性与渐近正态性，给出高效实现，并通过模拟及天文学、社会科学应用展示实用性。
- 阅读关注点
- 应核对核条件与噪声分布假设的具体表述、异方差噪声下偏差界与等价性定理的证明前提、估计量一致性与渐近正态性所需的正则条件，以及模拟与应用中噪声设定是否与理论一致。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、有限样本表现、与既有校正方法的比较结果，也未说明应用数据与实现细节；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Modern data analyses frequently encounter settings where samples of variables are contaminated by measurement error. Ignoring measurement noise can substantially degrade statistical inference, while existing correction techniques are often computationally costly and inefficient. Recent advances in kernel methods, particularly those based on Maximum Mean Discrepancy (MMD), have enabled flexible, distribution-free inference, yet typically assume precise data and overlook contamination by measurement error. In this work, we introduce a novel framework for inference with samples corrupted by potentially heteroscedastic noise from a known distribution. Central to our approach is the convolutional MMD (convMMD), which compares distributions after noise convolution and retains metric validity under standard kernel conditions. We establish finite-sample deviation bounds that are unaffected by measurement error and prove an equivalence between testing under noise and kernel smoothing. Leveraging these insights, we introduce a convMMD-based estimator for inference with noisy, heteroscedastic observations. We establish its consistency and asymptotic normality, and provide an efficient implementation using stochastic gradient descent. We demonstrate the practical effectiveness of our approach through simulations and applications in astronomy and social sciences.