Optimal bounds for aggregation of affine estimators
仿射估计量聚合的最优界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。
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：摘要研究一般仿射估计量的聚合风险与最优界，没有提供可直接归入所列应用领域的对象或模型。
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
仿射估计量聚合的最优界
- 研究问题
- 当候选仿射估计量依赖用于聚合的同一份数据、且不允许样本分割时，这种依赖是否增加聚合的极小极大代价？
- 方法与思路
- 作者在候选估计量的凸包上构造受Q聚合启发的惩罚程序，通过惩罚、强凸性与集中性质的配合处理数据依赖。
- 材料陈述的贡献
- 摘要称仿射估计量仍可达到与确定性候选相同的对数阶聚合率，且该率不受候选方差或其他统计复杂度度量影响。
- 阅读关注点
- 应核对损失与聚合率的定义、噪声和仿射算子的限制、惩罚项形式，以及上下界是否在同一参数空间与尺度上成立。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要。摘要未说明具体模型条件和风险归一化，不能把复杂度不影响聚合率的结论推广到任意估计量。
原文摘要
We study the problem of aggregation of estimators when the estimators are not independent of the data used for aggregation and no sample splitting is allowed. If the estimators are deterministic vectors, it is well known that the minimax rate of aggregation is of order $\log(M)$, where $M$ is the number of estimators to aggregate. It is proved that for affine estimators, the minimax rate of aggregation is unchanged: it is possible to handle the linear dependence between the affine estimators and the data used for aggregation at no extra cost. The minimax rate is not impacted either by the variance of the affine estimators, or any other measure of their statistical complexity. The minimax rate is attained with a penalized procedure over the convex hull of the estimators, for a penalty that is inspired from the $Q$-aggregation procedure. The results follow from the interplay between the penalty, strong convexity and concentration.