Buchumschlag

Generalized Taylor's Law for Dependent and Heterogeneous Heavy-Tailed Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cheng, Pok Him, Cohen, Joel E., Ling, Hok Kan, Yam, Sheung Chi Phillip
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Likelihood-based Spacings Goodness-of-Fit Statistics for Univariate Shape-constrained Densities
von: Chan, Kwun Chuen Gary, et al.
Veröffentlicht: (2022)

Distance Correlation in Multiple Biased Sampling Models
von: Ke, Yuwei, et al.
Veröffentlicht: (2024)

Tail Asymptotic of Heavy-Tail Risks with Elliptical Copula
von: Wang, Kai, et al.
Veröffentlicht: (2024)

Inferring the parameters of Taylor's law in ecology
von: Truquet, Lionel, et al.
Veröffentlicht: (2024)

Validity and Power of Heavy-Tailed Combination Tests under Asymptotic Dependence
von: Gui, Lin, et al.
Veröffentlicht: (2025)

Aggregating Dependent Signals with Heavy-Tailed Combination Tests
von: Gui, Lin, et al.
Veröffentlicht: (2023)

Dimension-free Bounds for Sum of Dependent Matrices and Operators with Heavy-Tailed Distribution
von: Nakakita, Shogo, et al.
Veröffentlicht: (2022)

Heavy-Tailed NGG Mixture Models
von: Ramirez, Vianey Palacios, et al.
Veröffentlicht: (2022)

Heavy Tailed Homogeneous Structural Causal Models
von: Routh, Vishal, et al.
Veröffentlicht: (2026)

Inference for Non-Stationary Heavy Tailed Time Series
von: Akashi, Fumiya, et al.
Veröffentlicht: (2022)

Tail Index Estimation for Discrete Heavy-Tailed Distributions
von: Bertail, Patrice, et al.
Veröffentlicht: (2024)

Using Exponential Histograms to Approximate the Quantiles of Heavy- and Light-Tailed Data
von: Labo, Philip T.
Veröffentlicht: (2024)

Beyond Mean Field: Fluctuation Diagnostics and Fixed-Point Behavior
von: Lo, Pok Man
Veröffentlicht: (2026)

Measuring Tail Dependence in Linear Processes: Theory and Empirics
von: Datta, Debanjana, et al.
Veröffentlicht: (2026)

Asymptotic Classification Error for Heavy-Tailed Renewal Processes
von: Rong, Xinhui, et al.
Veröffentlicht: (2024)

Transfer Learning under Covariate Shift: Local $k$-Nearest Neighbours Regression with Heavy-Tailed Design
von: Zamolodtchikov, Petr, et al.
Veröffentlicht: (2024)

Generalized Grade-of-Membership Estimation for High-dimensional Locally Dependent Data
von: Chen, Ling, et al.
Veröffentlicht: (2024)

Beyond Catoni: Sharper Rates for Heavy-Tailed and Robust Mean Estimation
von: Gupta, Shivam, et al.
Veröffentlicht: (2023)

The Spurious Factor Dilemma: Robust Inference in Heavy-Tailed Elliptical Factor Models
von: Hu, Jiang, et al.
Veröffentlicht: (2025)

A Generative High Quantile Homogeneity Test Using Bahadur Representation for Heteroskedastic High Quantile Regression of Tail Dependent Time Series
von: Zhang, Ting, et al.
Veröffentlicht: (2026)

Diffusion Models with Heavy-Tailed Targets: Score Estimation and Sampling Guarantees
von: Yu, Yifeng, et al.
Veröffentlicht: (2026)

A Short Note on the Efficiency of Markov Chains for Bayesian Linear Regression Models with Heavy-Tailed Errors
von: Hamura, Yasuyuki
Veröffentlicht: (2024)

A Separation in Heavy-Tailed Sampling: Gaussian vs. Stable Oracles for Proximal Samplers
von: He, Ye, et al.
Veröffentlicht: (2024)

A Simple and Optimal Policy Design with Safety against Heavy-Tailed Risk for Stochastic Bandits
von: Simchi-Levi, David, et al.
Veröffentlicht: (2022)

From Spikes to Heavy Tails: Unveiling the Spectral Evolution of Neural Networks
von: Kothapalli, Vignesh, et al.
Veröffentlicht: (2024)

Sparsified-Learning for High-Dimensional Heavy-Tailed Locally Stationary Time Series, Concentration and Oracle Inequalities
von: Wang, Yingjie, et al.
Veröffentlicht: (2025)

Taylor's Theorem and Mean Value Theorem for Random Functions and Random Variables
von: Yang, Yifan, et al.
Veröffentlicht: (2021)

Polar Depth for Potentially Heavy-Tailed Data
von: Clemençon, Stephan, et al.
Veröffentlicht: (2026)

Privacy of SGD under Gaussian or Heavy-Tailed Noise: Guarantees without Gradient Clipping
von: Şimşekli, Umut, et al.
Veröffentlicht: (2024)

Measuring Tail Risks
von: Chen, Kan, et al.
Veröffentlicht: (2022)

Data Gluttony: Epistemic Risks, Dependent Testing and Data Reuse in Large Datasets
von: Dale, Reid, et al.
Veröffentlicht: (2025)

Sparse Factor Analysis for Categorical Data with the Group-Sparse Generalized Singular Value Decomposition
von: Yu, Ju-Chi, et al.
Veröffentlicht: (2024)

Heavy Tail Robust Estimation and Inference for Average Treatment Effects
von: Hill, Jonathan B., et al.
Veröffentlicht: (2024)

Breaking the Heavy-Tailed Noise Barrier in Stochastic Optimization Problems
von: Puchkin, Nikita, et al.
Veröffentlicht: (2023)

Recovery Guarantees for Continual Learning of Dependent Tasks: Memory, Data-Dependent Regularization, and Data-Dependent Weights
von: Peng, Liangzu, et al.
Veröffentlicht: (2026)

Optimal Test-Data Piling in HDLSS Classification with Covariance Heterogeneity
von: Kim, Taehyun, et al.
Veröffentlicht: (2022)

Doubly-Unlinked Regression for Dependent Data
von: Burman, Anik, et al.
Veröffentlicht: (2026)

Order-Optimal Sequential 1-Bit Mean Estimation in General Tail Regimes
von: Lau, Ivan, et al.
Veröffentlicht: (2026)

A General Framework for Multiple Testing via E-value Aggregation and Data-Dependent Weighting
von: Li, Guanxun, et al.
Veröffentlicht: (2023)

Operator Tail Densities of Multivariate Copulas
von: Li, Haijun
Veröffentlicht: (2025)