Asymptotic normality and optimality in nonsmooth stochastic approximation
非光滑随机逼近中的渐近正态性与最优性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。
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：摘要属于通用随机逼近与优化理论，未明确对应所列经济或金融计量细分方向。
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…
非光滑随机逼近中的渐近正态性与最优性
- 研究问题
- 光滑随机逼近已有的中心极限定理与局部极小极大最优性，能否扩展到随机非线性规划和随机变分不等式等非光滑问题？
- 方法与思路
- 作者沿随机逼近框架研究非光滑问题的渐近分布和协方差最优性；摘要未交代具体算法、平均化方式或正则条件。
- 材料陈述的贡献
- 摘要称肯定回答了相关长期问题：重要非光滑情形也可具有类似渐近正态性与 Hájek、Le Cam 意义下的局部最优保证。
- 阅读关注点
- 应核对允许的非光滑结构、算法与步长要求、中心极限定理的协方差表达，以及局部极小极大比较的模型和程序范围。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；不能据此推广到所有非光滑问题，具体假设、算法和有限样本表现未说明。
原文摘要
In their seminal work, Polyak and Juditsky showed that stochastic approximation algorithms for solving smooth equations enjoy a central limit theorem. Moreover, it has since been argued that the asymptotic covariance of the method is best possible among any estimation procedure in a local minimax sense of Hájek and Le Cam. A long-standing open question in this line of work is whether similar guarantees hold for important nonsmooth problems, such as stochastic nonlinear programming or stochastic variational inequalities. In this work, we show that this is indeed the case.