新的统计框架在复杂依赖下聚合证据

研究人员开发了一个新的框架，用于在未知和复杂的依赖结构下聚合统计证据，利用了群不变性原理。该方法将转换后的数据集视为可交换单元，从而能够跨不同转换聚合证据。该框架包括用于功效和适应性的有限样本理论，并扩展到保持有效性的顺序和数据依赖聚合。它通过适应未知依赖性，在确定性校准（如Bonferroni校正）方面进行了改进，并包括一个用于早期拒绝的顺序alpha花费版本和一个用于学习聚合规则的双批次扩展。 AI

影响 这个统计聚合框架可以提高机器学习模型的可靠性和适应性，特别是在非参数检验和一致性预测等领域。

排序理由 该条目是一篇详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →