结合滤波结果的证据合并
内容提要
该文汇总多项研究，涵盖：基于鞅与扩展维尔不等式的新型e过程及可信区间构建；高阶核均值嵌入在量化金融与因果发现中的应用；机会均等约束下的选手淘汰优化；相关噪声下多维信号表示；非参数连续假设检验通用框架（支持在线监测与错误控制）；p-filter统一算法；超越时间点过程及霍克斯过程叠加；结合证据深度学习的概率分类器；流程挖掘通用性度量与异质过程异常检测。
延伸解读
e过程与可信区间的新构建方法
文章利用广义不可积分的鞅和扩展维尔不等式，揭示了已有可信区间构建的细节，并提出了两种新型e过程：一种采用高斯混合替换Lai的曲面混合，另一种在零假设下使用极大似然估计的右Haar混合。这些方法为可信区间构建提供了新思路，并分析了区间宽度与错误概率的关系，通过数值实验进行了比较。
高阶核均值嵌入的应用拓展
通过将随机过程保留其渗透而不仅仅是变量路径，文章引入了一系列高阶核均值嵌入（KMEs），扩展了KME的概念并捕捉与过滤器相关的附加信息。基于高阶MMD构建的感知渗透内核，可用于量化金融中的实际问题，并设计因果发现算法，从多维轨迹观察中恢复实体间的因果图。
非参数连续假设检验的通用框架
文章提出了一个通用框架，用于构建针对大类非参数测试问题的强大连续假设检验。该框架能统一处理双样本测试、独立性测试和条件独立性测试等经典任务，以及对抗鲁棒性测试等现代问题。其优势包括持续监控在线数据流、严格控制类型I错误而无需多重测试校正，以及根据问题难度调整样本大小。
概率分类器的校准与认知感知
文章介绍了一种结合Evidential Deep Learning、Neural Processes和Neural Turing Machines的概率分类器，能够对目标域数据成功拟合，并在类重叠等困难区域提供经过校准的分类概率。在所有五个分类任务中，该方法是唯一能在单个独立预测器中全面校准三个方面的，为深度神经网络中的认知感知研究提供了计算有效的解决方案。
Q&A
新型e过程和可信区间构建方法有哪些创新点？
文章提出了两种新型e过程和可信区间构建方法：一是采用高斯混合替换Lai的曲面混合，二是在零假设下使用极大似然估计的右Haar混合。同时分析了可信区间宽度与错误概率的关系，并通过数值实验进行了比较。
高阶核均值嵌入在量化金融和因果发现中有什么应用？
通过将随机过程保留其渗透而不仅仅是变量路径，引入了一系列高阶核均值嵌入（KMEs），扩展了KME概念并捕捉与过滤器相关的附加信息。使用高阶MMD构建了一族具有感知渗透的内核，从而通过经典的基于内核的回归方法解决量化金融中的实际问题，并设计了一个因果发现算法，可仅从多维轨迹的观察中恢复相互作用实体之间结构依赖关系的因果图。
机会均等约束下的选手淘汰优化是如何平衡招聘有效性和效率的？
该方法在淘汰选手过程中加入机会均等性限制，以最大化决策者感兴趣的数量，并在终止阶段使用精确度和召回率的线性组合来平衡招聘的有效性和效率，同时考虑其他限制，如不允许决策者使用组内成员身份做出决策。
非参数连续假设检验通用框架有哪些优势？
该框架能统一处理双样本测试、独立性测试、条件独立性测试以及对抗鲁棒性测试等。其优势包括：1) 持续监控在线数据流并有效聚合针对零假设的证据；2) 在不需要多重测试校正的情况下严格控制类型I错误；3) 根据问题的未知难度调整样本大小要求。
p-filter算法框架的作用是什么？
p-filter是一个统一的算法框架，用于全局空假设检验和假阳性发现率控制，可以同时整合四类先验知识，且包含多种已知算法特例。
超越时间点过程及霍克斯过程叠加在推荐系统中有什么应用？
研究了超越时间点过程作为一类重要模型，其中最小二乘估计的性质得到研究。证明了霍克斯过程的叠加在某些条件下有益于紧缩过剩风险的上界，并且在典型情况下显示了受益的可行性。证明了超叠加霍克斯过程对合成数据的有用性，并展示了其在解决推荐系统冷启动问题方面的潜力。
结合证据深度学习的概率分类器有什么特点？
该分类器结合了Evidential Deep Learning、Neural Processes和Neural Turing Machines，能够对目标域数据进行成功拟合，并在目标域的困难区域（例如类重叠）提供经过校准的分类概率。在所有五个分类任务中，该方法是唯一能够在单个独立的预测器中胜任三个方面的全面校准的。
流程挖掘中的通用性度量框架和异质过程异常检测是如何实现的？
通用性度量框架从事件日志中发现模式并将其与流程模型中的控制流结构进行比较，使用串联重复和并发神谕等方法实例化框架。异质过程异常检测采用主动推理，提出了一种序贯探测策略，动态确定每个时间要观察哪些进程以及何时终止搜索，并提出了一种低复杂度的确定性测试，其渐近最优性与Chernoff测试相同，但在有限范围内性能更好，收敛更快，尤其当进程数量很大时计算复杂度也非常低。
