arXiv发布NeurIPS 2025扩展版执行性统计推断框架

2026年11月3日，研究团队在arXiv（cs.lg）发布论文《统计推断下的执行性：从政策反馈到自进化系统》（arXiv:2611.00438），提出针对执行性的端到端统计推断框架。该工作指出，忽略不确定性传播会导致重复重训练后置信区间覆盖率严重不足，旨在为自决定数据分布的学习系统提供统计工具。 论文核心贡献包括为重复风险最小化建立中心极限定理，推导了捕捉当前采样变异与历史部署继承不确定性的协方差递归，并开发了基于策略扰动的一致协方差估计器，从而扩展了预测驱动推断至动态设置并提升统计效率。 该发布版本为NeurIPS 2025会议论文《Statistical Inference under Performativity》（arXiv:2505.18493）的扩展版，由Tianwei Gao等作者完成，标志着相关理论从会议报告向完整技术细节的演进。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。