空间依赖数据保形预测：序贯白化方法
Get the story
2026年10月8日，arXiv 统计学机器学习栏目发布论文《面向空间依赖数据的保形预测：通过序贯白化提升区间效率》。该研究提出一种面向空间依赖数据的保形预测方法，在分割保形预测基础上序贯条件化校准残差，并用近邻近似扩展到大规模网络。论文称，在工作协方差正确且残差服从椭圆分布的条件下，该方法在任意空间设计下具有精确有限样本覆盖率，并进一步达到渐近 oracle 效率。模拟数据显示其区间比全局与局部 SOTA 方法更窄更稳；在全国 PM2.5 应用中也得到更窄区间，并识别出覆盖率失效风险区域。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning面向空间依赖数据的保形预测：通过序贯白化提升区间效率
该论文提出一种面向空间依赖数据的保形预测方法，通过在分割保形预测基础上序贯条件化校准残差，并用近邻近似扩展到大规模网络。在工作协方差正确且残差服从椭圆分布的条件下，该方法在任意空间设计下具有精确有限样本覆盖率，并进一步达到渐近 oracle 效率。模拟数据显示其区间比全局与局部 SOTA 方法更窄更稳；在全国 PM2.5 应用中也得到更窄区间并识别出覆盖率失效风险区域。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.