本文介绍了一种新的稳定高阶统计泛函估计量，旨在改进现有方法在数值稳定性或需要复杂密度估计方面存在的不足。所提出的方法绕过了样本分割和密度估计，提供了更稳定的有限样本性能，同时保持了相似的统计保证。该工作建立在先前关于高阶影响函数的研究基础上，该函数提供了一个用于构建速率最优点估计的统一框架。 AI
影响 这项研究可能带来更稳定、更高效的统计建模技术，并可能影响需要复杂数据分析的AI开发领域。
排序理由 该集群包含一篇在arXiv上发表的学术论文，详细介绍了一种新的统计理论和估计量。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
arXiv:2607.04743v1 Announce Type: cross Abstract: Higher-order influence functions, introduced in a series of articles (Robins et al., 2008, 2009a; van der Vaart, 2014; Robins et al., 2016, 2023; Liu et al., 2017), are a unified framework for constructing rate-optimal point estim…
Higher-order influence functions, introduced in a series of articles (Robins et al., 2008, 2009a; van der Vaart, 2014; Robins et al., 2016, 2023; Liu et al., 2017), are a unified framework for constructing rate-optimal point estimates of a class of statistical functionals, under …
Higher-order influence functions, introduced in a series of articles (Robins et al., 2008, 2009a; van der Vaart, 2014; Robins et al., 2016, 2023; Liu et al., 2017), are a unified framework for constructing rate-optimal point estimates of a class of statistical functionals under v…