本文表征了任意截断下均值检验的基本极限，其中一部分概率质量被隐藏。该研究确定了由截断偏差产生的可检测性下限，并提出了一种具有近乎最优样本复杂度的二阶检验。此外，在方向中位数正则性假设下，它揭示了一种摆脱这种偏差障碍的方法，将偏差提高到线性阶并恢复经典统计速率。 AI
影响 为可应用于机器学习背景的统计方法提供了理论基础。
排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了理论统计发现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
新研究表征了任意截断下的均值检验极限
报道来源 [2]
-
Mean Testing under Truncation beyond Gaussian
arXiv:2605.01335v1 Announce Type: new Abstract: We characterize the fundamental limits of high-dimensional mean testing under arbitrary truncation, where samples are drawn from the conditional distribution $P(\cdot \mid S)$ for an unknown truncation set $S$ that may hide up to an…
-
Mean Testing under Truncation beyond Gaussian
We characterize the fundamental limits of high-dimensional mean testing under arbitrary truncation, where samples are drawn from the conditional distribution $P(\cdot \mid S)$ for an unknown truncation set $S$ that may hide up to an $\varepsilon$-fraction of the probability mass.…