Nonlinear Stochastic Approximation Procedures for $L_p$ Loss Functions
面向 Lp 损失函数的非线性随机逼近程序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：摘要关注一般随机逼近和自适应设计效率，未提供所列经济计量细分方向的直接证据。
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
面向 Lp 损失函数的非线性随机逼近程序
- 研究问题
- 当目标接近程度由平方损失以外的损失衡量时，如何构造简单的随机逼近算法，并评估自适应设计下的估计效率？
- 方法与思路
- 作者提出包含 Robbins–Monro 程序的算法族，利用适当表示与鞅极限定理分析渐近性质，并通过半参数框架建立下界。
- 材料陈述的贡献
- 摘要称，算法族保持经典程序的简洁性；在适当缩放下，所提算法达到针对任意自适应设计建立的渐近效率下界。
- 阅读关注点
- 应核对损失函数与目标参数的对应关系、更新规则、缩放选择及鞅条件，并确认效率下界所覆盖的设计和模型范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；算法形式、允许的损失与正则条件未给出，不能认定所有缩放或损失均有效。
原文摘要
The classical stochastic approximation problem can be regarded as choosing design points so that the responses are close to some target level in the expected squared distance. Motivated by different loss criteria, a family of stochastic approximation algorithms is proposed. This family has the same simplicity as the classical Robbins-Monro procedure does and contains the latter as a special case. Using appropriate representations and martingale limit theorems, we establish asymptotic properties for this family. Using the semiparametric formulation, lower bounds are obtained for estimating the desired parameters under any adaptive design, showing that the proposed algorithms with appropriate scaling are asymptotically efficient.