黎曼流形切向量场回归新方法：同时置信管实现空间不确定性精确刻画
Riemannian Simultaneous Inference for Tangent Vector Field Regression
📖 AI 总结
本文研究无边界黎曼流形上切向量场的非参数回归与同步推断问题。由于不同点的响应位于不同切空间，作者提出的核估计方法先将邻近响应平行移动至目标切空间，再进行体积校正的局部平均，并推导出一致二阶偏差、有限带宽协方差及随机收敛速率。在同步推断方面，作者将切向范数表示为单位切丛上的上确界，通过精确协方差白化得到单位方差高斯场，其相关长度在底流形上为h阶、在纤维上为一阶，进而导出具有显式内蕴常数的Gumbel极限。结合高斯逼近与交叉拟合协方差估计，构造出可行的同步置信管。文章还讨论了带宽选择与高阶偏差修正对小样本推断的改进。多类流形上的模拟实验验证了方法的有效性，全球风场数据的随机重构则展示了置信管截面如何刻画空间变化的预测不确定性。
🔑 关键词速览
| Riemannian manifold | 黎曼流形：具有黎曼度量的光滑流形，允许测量长度和角度。 |
| tangent vector field regression | 切向量场回归：在流形上对切向量场进行非参数回归分析。 |
| parallel transport | 平行移动：沿流形上的曲线将切向量从一个切空间移动到另一个切空间，保持长度和角度。 |
| Gumbel limit | Gumbel极限：极值理论中最大值分布的极限类型，常用于同时推断。 |
| simultaneous confidence tube | 同时置信管：一种同时覆盖整个回归函数的置信区域，通常用于函数型数据的推断。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅