---

در این مقاله رده تمام توابع هموردا مشخص می شود و دو شرط برای اثبات وجود برآوردگرهای هموردا ارائه میگردد. روش لهمن که رده تمام توابع هموردا را در خانواده مکان و مقیاس برحسب یک تابع هموردای داده شده و یک تابع ناوردا بیان شده است برای گروهی دلخواه تعمیم داده می شود. این روش تعمیم یافته کاربردهایی در ریاضی دارد، اما برای این که در آمار مفید باشد با یک تابع مناسب ترکیب می شود تا یک برآوردگر هموردا ساخته شود. این روش برای گروه های به طور یکتا انتقالی مورد استفاده قرار می گیرد، اما خوشبختانه اکثر مثال های آماری به این فرم است و برای گروه های دیگر برآوردگر هموردا به طور مستقیم به دست آورده می شود

---

---

در چشم‌انداز وسیع تحلیل داده‌های مدرن، مواجهه با داده‌های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می‌رود. مدل‌های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می‌دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل‌های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته‌اند، اما کارایی آن‌ها در عصر داده‌های بزرگ و با ابعاد بسیار بالا، با محدودیت‌های جدی روبه‌رو است. این پژوهش، با نگاهی فراتر از چارچوب‌های سنتی، چارچوبی نوین مبتنی بر شبکه‌های عصبی عمیق را برای تقویت و متحول ساختن مدل‌های رگرسیون پواسون آماسیده در صفر معرفی می‌کند. این رویکرد ترکیبی، با بهره‌گیری از قدرت بی‌نظیر یادگیری عمیق در استخراج ویژگی‌های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده‌ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی‌سابقه مدل‌سازی کند. نتایج حاصل از شبیه‌سازی‌های گسترده و کاربرد بر روی مجموعه داده‌های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می‌سازد.