Stochastic Online Convex Optimization. Application to probabilistic time series forecasting
随机在线凸优化及其概率时间序列预测应用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：摘要明确将在线优化理论用于非平稳时间序列的概率预测校准。
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
随机在线凸优化及其概率时间序列预测应用
- 研究问题
- 如何在无界随机环境中建立快速随机遗憾界，并将在线凸优化用于非平稳次高斯时间序列的参数化概率预测校准？
- 方法与思路
- 作者建立随机在线凸优化框架，在随机指数凹性假设下结合鞅与次高斯变量的不等式，分析在线 Newton 步及聚合算法。
- 材料陈述的贡献
- 摘要称相关算法在无界随机设定下达到已知最佳速率，所得快速随机遗憾界任意时点有效，并应用于概率预测校准。
- 阅读关注点
- 应核对随机遗憾的定义、随机指数凹性与次高斯条件，以及任意时点保证和预测校准之间的具体联系及比较范围。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未给出速率公式及校准评价细节，已知最佳速率的表述受比较设定限制。
原文摘要
We introduce a general framework of stochastic online convex optimization to obtain fast-rate stochastic regret bounds. We prove that algorithms such as online newton steps and a scale-free 10 version of Bernstein online aggregation achieve best-known rates in unbounded stochastic settings. We apply our approach to calibrate parametric probabilistic forecasters of non-stationary sub-gaussian time series. Our fast-rate stochastic regret bounds are any-time valid. Our proofs combine self-bounded and Poissonnian inequalities for martingales and sub-gaussian random variables, respectively, under a stochastic exp-concavity assumption.