Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions
标量遍历扩散过程的精确自适应与路径稳定相似性检验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：摘要研究通用扩散过程检验，未明确宏观时间序列应用、金融价格过程或所列领域的其他具体联系。
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
标量遍历扩散过程的精确自适应与路径稳定相似性检验
- 研究问题
- 如何判断未知扩散漂移与参考漂移是否相似，并在不知道偏离区域数量、大小及位置时同时定位这些区域，同时考察噪声偏离的影响？
- 方法与思路
- 作者在非参数扩散模型中构造多重检验，在给定显著性水平下识别违反相似性的区域，并研究驱动噪声轻微偏离布朗运动的情形。
- 材料陈述的贡献
- 摘要称，检验具有极小极大最优性与自适应性，对小幅噪声偏离具稳健性，并详细研究 Hurst 指数接近布朗情形的分数噪声。
- 阅读关注点
- 应核对相似性容许范围、观测方案、同时显著性控制及最优性标准，尤其注意路径稳定性和分数噪声结果允许的偏离范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；相似性阈值、观测条件和 Hurst 指数范围未给出，不能推断任意噪声下均稳健。
原文摘要
Within the nonparametric diffusion model, we develop a multiple test to infer about similarity of an unknown drift b to some reference drift b0: At prescribed significance, we simultaneously identify those regions where violation from similarity occurs, without a priori knowledge of their number, size and location. This test is shown to be minimax-optimal and adaptive. At the same time, the procedure is robust under small deviation from Brownian motion as the driving noise process. A detailed investigation for fractional driving noise, which is neither a semimartingale nor a Markov process, is provided for Hurst indices close to the Brownian motion case.