Pathwise guessing in categorical time series with unbounded alphabets
无界字母表分类时间序列中的路径猜测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：摘要明确分析分类和计数时间序列及其依赖模型，但未将任务限定为未来预测。
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
无界字母表分类时间序列中的路径猜测
- 研究问题
- 给定分类或计数时间序列的有限样本，能否利用其中一部分准确猜测另一部分，并使学习速率不随类别数量增加而恶化？
- 方法与思路
- 作者不显式估计条件概率，而构造非参数猜测函数，在涵盖若干马尔可夫、隐马尔可夫和计数过程的模型类中分析风险。
- 材料陈述的贡献
- 摘要称，得到与字母表规模无关的学习速率，以间隔条件控制风险收敛，并给出与上界仅差对数因子的极小极大下界。
- 阅读关注点
- 应核对被猜测数据片段与输入片段的安排、允许的依赖结构、间隔条件，以及上下界中对数差距和其他常数的来源。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体风险定义与速率未展开，路径猜测结果不能直接视为未来预测保证。
原文摘要
The following learning problem arises naturally in various applications: Given a finite sample from a categorical or count time series, can we learn a function of the sample that (nearly) maximizes the probability of correctly guessing the values of a given portion of the data using the values from the remaining parts? Unlike classical approaches in statistical inference, our approach avoids explicitly estimating the conditional probabilities. We propose a non-parametric guessing function with a learning rate independent of the alphabet size. Our analysis focuses on a broad class of time series models that encompasses finite-order Markov chains, some hidden Markov chains, Poisson regression for count processes, and one-dimensional Gibbs measures. We provide a margin condition that controls the rate of convergence for the risk. Additionally, we establish a minimax lower bound for the convergence rate of the risk associated with our guessing problem. This lower bound matches the upper bound achieved by our estimator up to a logarithmic factor, demonstrating its near-optimality.