Stability via resampling: statistical problems beyond the real line
通过重采样实现稳定性：超越实数输出的统计问题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：摘要的核心是一般输出空间中的重采样稳定性理论，列举的应用不足以将其限定到某个领域细分。
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…
通过重采样实现稳定性：超越实数输出的统计问题
- 研究问题
- 当算法输出为权重向量、密度函数等一般空间对象时，bagging 是否仍能提供有限样本稳定性保证，如何定义并衡量这种稳定性？
- 方法与思路
- 作者将基于 bootstrap 或子抽样的模型平均置于一般输出空间，建立 bagging 稳定性的有限样本理论，并在合成与真实数据上评估。
- 材料陈述的贡献
- 摘要称，论文提供适用于非实数输出算法的一般稳定性结果，并在因果推断、非参数回归和贝叶斯模型选择等问题中进行经验检验。
- 阅读关注点
- 应核对一般空间的结构、稳定性度量、重采样机制和理论界的条件，并区分输出更稳定与估计偏差、预测准确性之间的关系。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。摘要未说明稳定性界的具体形式；稳定性保证本身不等同于准确性或有效推断。
原文摘要
Model averaging techniques based on resampling methods (such as bootstrapping or subsampling) have been utilized across many areas of statistics, often with the explicit goal of promoting stability in the resulting output. We provide a general, finite-sample theoretical result guaranteeing the stability of bagging when applied to algorithms that return outputs in a general space, so that the output is not necessarily a real-valued -- for example, an algorithm that estimates a vector of weights or a density function. We empirically assess the stability of bagging on synthetic and real-world data for a range of problem settings, including causal inference, nonparametric regression, and Bayesian model selection.