具有随机空间设计的缺失局部平稳函数型随机场的非参数条件单指数U-过程学习
《Symmetry》:Learning Nonparametric Conditional Single-Index U-Processes for Missing Locally Stationary Functional Random Fields with Stochastic Spatial Design
【字体:
大
中
小
】
时间:2026年08月30日
来源:Symmetry 2.2
摘要
我们建立了一套设计条件下的极限理论,用于基于在不规则随机位置观测到的局部平稳泛函随机场、在不完全响应观测条件下的条件 U-泛函的核估计量。协变量取值于可分Hilbert空间,响应允许取值于一般Polish空间,目标由固定阶对称核的类所索引。泛函定位由单指数半度量诱导,空间定位则在缩放后的观测域上执行。缺失响应通过随机缺失(MAR)条件和均匀正性假设下的完全案例构造来纳入。所得到的估计量是空间加权 U-统计量与随机元组观测指示符的比值。渐近分析必须同时考虑四种复杂性来源:空间场内部的相依性、扩展域上的非平稳性、无穷维协变量空间中的集中性,以及由缺失响应产生的随机稀化。对采样位置进行条件化消除了空间设计权重的随机性,但并未消除观测之间的相依性。因此,我们推导了一种适应于模型三角阵结构的条件设计投影分解。主导项由空间相依的完全案例经验过程表示,而高阶典范项在响应核、泛函目标点、单指数方向和缩放空间位置上一致控制。证明结合了用于局部平稳随机场的平稳切场近似、大区块-小区块分解、空间绝对正则条件下的耦合论证、小球概率估计以及联合索引类的熵界。这些论证得出了均匀随机展开,其中经验波动、空间-泛函平滑偏差和局部平稳性近似误差作为不同的贡献出现。特别地,局部平稳性余项在严格平稳理论中没有对应项,它量化了用平稳切近似替代所观测的非平稳场的代价。在MAR和正性条件下,完全案例抽样降低了有效局部信息量并修改了协方差结构,但未改变均匀收敛率的正式阶。在加强矩条件、混合条件、熵条件和可忽略条件下,我们建立了归一化条件 U-过程在相应上确界范数函数空间中弱收敛于一个紧的零均值高斯过程的结果。极限协方差由完全案例的一阶投影确定,因此保留了观测倾向性和空间相依结构的影响。我们还引入了一种完全案例留元组外空间预测准则用于带宽选择,并证明了其在可容许带宽族上的神谕最优性。该一般理论适用于条件秩关联、判别概率、集索引条件分布泛函以及相关的成对统计学习准则。仿真实验和对空间环境及流行病学数据的应用展示了该理论的有限样本影响以及单指数定位的稳定作用。通过数据驱动科学的视角,该框架解决了不规则的局部异质泛函协变量所承载的信息与选择性观测的响应元组之间的根本性不对称。通过结合设计条件化、完全案例归一化、切场定位和单指数降维,所提出的方法在模型层面解决了这一推断不对称性,通过将估计和不确定性量化与实际在局部可获得的信息相匹配,而无需施加人为的平稳性或完全数据对称性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号