存储方式无限制
该分位数回归估计器通过引入光滑凸损失函数和创新的样本替代损失，在非随机存储的大数据上实现了与全量数据合并分析相当的估计精度。
王康宁 · Jiaojiao, Jia · Polat, Kemal · 孙晓霏 · Alhudhaif, Adi · Alenezi, Fayadh S.
Expert Systems with Applications 2023
通过导频样本构造替代损失，不需要数据随机存储的假设，因此可以直接应用于实际系统中的非随机分布数据。
用光滑凸函数替代非光滑分位数损失，优化问题变得易于求解，且理论推导更方便。
建立了估计量的一致性和渐近正态性，确保新方法在各种存储方式下都能达到与合并数据相当的性能。