Zobrazeno 1 - 10
of 87
pro vyhledávání: '"Lee, Stephen M. S."'
Autor:
Shi, Han, Gao, Jiahui, Xu, Hang, Liang, Xiaodan, Li, Zhenguo, Kong, Lingpeng, Lee, Stephen M. S., Kwok, James T.
Recently over-smoothing phenomenon of Transformer-based models is observed in both vision and language fields. However, no existing work has delved deeper to further investigate the main cause of this phenomenon. In this work, we make the attempt to
Externí odkaz:
http://arxiv.org/abs/2202.08625
Accurate approximation of the sampling distribution of nonparametric kernel density estimators is crucial for many statistical inference problems. Since these estimators have complex asymptotic distributions, bootstrap methods are often used for this
Externí odkaz:
http://arxiv.org/abs/1909.02662
We establish a general theory of optimality for block bootstrap distribution estimation for sample quantiles under a mild strong mixing assumption. In contrast to existing results, we study the block bootstrap for varying numbers of blocks. This corr
Externí odkaz:
http://arxiv.org/abs/1710.02537
Autor:
Cheung, Kin Yap, Lee, Stephen M. S.
Publikováno v:
Journal of Nonparametric Statistics; Sep2024, Vol. 36 Issue 3, p825-862, 38p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Lee, Stephen M. S., Yang, Puyudi
Publikováno v:
The Annals of Statistics, 2020 Feb 01. 48(1), 274-299.
Externí odkaz:
https://www.jstor.org/stable/26923101
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Lee, Stephen M. S., Lai, P. Y.
The block bootstrap confidence interval based on dependent data can outperform the computationally more convenient normal approximation only with non-trivial Studentization which, in the case of complicated statistics, calls for highly specialist tre
Externí odkaz:
http://arxiv.org/abs/0804.4361