Stochastic Complexity and Modeling
随机复杂度与建模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：摘要属于通用信息论与统计建模，预测内容未限定为宏观预测或收益预测，缺少相应领域依据。
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
随机复杂度与建模
- 研究问题
- 如何用给定概率模型类下的数据最短编码长度定义随机复杂度，并将其用于模型选择、预测和假设检验？
- 方法与思路
- 作者以二进制编码长度构造复杂度，同时优化参数值与参数数量，研究编码下界并重新定义先验信息和有用信息。
- 材料陈述的贡献
- 摘要称，论文给出编码长度及预测误差的下界定理，并由相关信息构造得到一种通用假设检验统计量。
- 阅读关注点
- 应核对允许的模型与编码方式、最优预测的准则、下界定理条件，以及通用检验统计量的定义和校准方式。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；最优性依赖所选模型类与编码准则，摘要未提供具体定理条件或实际预测比较。
原文摘要
As a modification of the notion of algorithmic complexity, the stochastic complexity of a string of data, relative to a class of probabilistic models, is defined to be the fewest number of binary digits with which the data can be encoded by taking advantage of the selected models. The computation of the stochastic complexity produces a model, which may be taken to incorporate all the statistical information in the data that can be extracted with the chosen model class. This model, for example, allows for optimal prediction, and its parameters are optimized both in their values and their number. A fundamental theorem is proved which gives a lower bound for the code length and, therefore, for prediction errors as well. Finally, the notions of "prior information" and the "useful information" in the data are defined in a new way, and a related construct gives a universal test statistic for hypothesis testing.