The Conjugate Domain Dichotomy: Exact Risk of M-Estimators under Infinite-Variance Noise in High Dimensions
共轭域二分法：高维无限方差噪声下M估计的精确风险AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论高维M估计的渐近风险理论，属于计量理论与高维统计范畴，未涉及所给因果推断、面板、离散选择、时间序列、资产定价等具体领域细分，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
共轭域二分法：高维无限方差噪声下M估计的精确风险
- 研究问题
- 研究问题：在比例渐近机制（p/n→γ>0）且噪声分布为无限方差（正则变化尾指数α∈(1,2)）时，正则化M估计的渐近行为由什么决定，其风险能否有界。
- 方法与思路
- 方法思路：作者提出以损失函数Fenchel共轭的定义域是否有界作为统一几何刻画，区分共轭域有界（Huber、绝对值、分位数损失）与无界（平方损失）两类情形；对平方损失类在噪声自适应正则化尺度下用凸高斯极小极大定理推导精确渐近风险。
- 材料陈述的贡献
- 摘要所述贡献：摘要称共轭域有界时对偶变量受限、有效噪声退化为有限一阶绝对矩，估计量无需外部信息即获有界风险；无界时对偶变量随噪声发散、有效噪声涉及发散二阶矩，须借助向外部先验的迁移正则化；并给出平方损失类的精确风险与损失—风险三分法。
- 阅读关注点
- 阅读时应核对：共轭域有界性作为充分/必要条件的精确表述与证明；α∈(1,2)与比例渐近假设的具体设定；噪声自适应正则化尺度的构造；凸高斯极小极大定理的适用条件；以及“普适下界与正则化器无关”的推导细节。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断证明完整性、常数与速率的具体形式、模拟或实证支持，也未说明有限样本表现与假设放松后的稳健性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
This paper studies high-dimensional M-estimation in the proportional asymptotic regime (p/n -> gamma > 0) when the noise distribution has infinite variance. For noise with regularly-varying tails of index alpha in (1,2), we establish that the asymptotic behavior of a regularized M-estimator is governed by a single geometric property of the loss function: the boundedness of the domain of its Fenchel conjugate. When this conjugate domain is bounded -- as is the case for the Huber, absolute-value, and quantile loss functions -- the dual variable in the min-max formulation of the estimator is confined, the effective noise reduces to the finite first absolute moment of the noise distribution, and the estimator achieves bounded risk without recourse to external information. When the conjugate domain is unbounded -- as for the squared loss -- the dual variable scales with the noise, the effective noise involves the diverging second moment, and bounded risk can be achieved only through transfer regularization toward an external prior. For the squared-loss class specifically, we derive the exact asymptotic risk via the Convex Gaussian Minimax Theorem under a noise-adapted regularization scaling. The resulting risk converges to a universal floor that is independent of the regularizer, yielding a loss-risk trichotomy: squared-loss estimators without transfer diverge; Huber-loss estimators achieve bounded but non-vanishing risk; transfer-regularized estimators attain the floor.