Multi-task Linear Regression without Eigenvalue Lower Bounds: Adaptivity, Robustness, and Safety
无特征值下界约束的多任务线性回归：自适应性、稳健性与安全性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：摘要讨论多任务线性回归的稳健估计与极小极大速率，属于高维统计与学习理论方向，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体应用领域，故不选择任何细分。
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
无特征值下界约束的多任务线性回归：自适应性、稳健性与安全性
- 研究问题
- 摘要研究在部分任务被任意离群值污染、且多数任务参数在ℓ2范数下相近的多任务线性回归问题，重点解决既有理论依赖每个任务经验二阶矩最小特征值远离零这一假设、在高维场景下失效的问题。
- 方法与思路
- 作者提出基于矩阵加权范数正则化的估计量，并引入由平衡常数刻画的相对平衡性条件，将每个任务的二阶矩与内点任务的平均几何进行比较，从而放松对逐任务二阶矩下界的要求。
- 材料陈述的贡献
- 摘要称在平衡性适中的有利情形下，其预测MSE界在显著更弱的谱假设下达到Duan and Wang (2023)的速率，任务总体MSE在对数因子内达到极小极大最优；并给出安全性保证：当平衡常数很大或无穷、或任务互不相关时，方法表现不劣于独立任务学习。
- 阅读关注点
- 阅读全文时应核对：相对平衡性条件与平衡常数的精确定义及可验证性；矩阵加权正则化估计量的构造与调参方式；MSE界成立所需的具体假设与证明路径；安全性保证的适用范围与比较基准；以及极小极大下界是否在文中给出。
- 阅读边界
- 仅依据摘要，无法判断证明细节、常数条件、实验或数值表现，也无法确认与既有工作的完整差异；摘要未说明估计量的计算复杂度与实现细节。该文为arXiv预印本，未经同行评审或期刊接收验证。
原文摘要
We study the multi-task linear regression problem in the presence of contaminated tasks. We address the setting where the unknown parameters of a majority of tasks are close in the $\ell_2$-norm, while a fraction of tasks are arbitrary outliers. Existing theoretical frameworks for this problem rely heavily on the assumption that the empirical second moment of each task has a minimum eigenvalue bounded away from zero (order $Ω(1)$). Crucially, this assumption fails in many high-dimensional scenarios, rendering prior guarantees vacuous. To overcome this limitation, we propose an estimator based on matrix-weighted norm regularization. We also introduce a relative balancedness condition, quantified by a balancedness constant, that compares each task's second moment with the average inlier geometry and relaxes the need for taskwise second-moment lower bounds. In favorable regimes with moderate balancedness, our prediction MSE bounds match the rate of Duan and Wang (2023) under substantially weaker spectral assumptions; the resulting task-overall MSE is minimax optimal up to logarithmic factors. Furthermore, we demonstrate that our estimator enjoys a safety guarantee: when the relevant balancedness constant is large or infinite, or when tasks are unrelated, the method performs no worse than independent task learning.