Stochastic Gradient Descent: A Nonlinear Time Series Perspective
随机梯度下降：非线性时间序列视角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：摘要明确以非线性时间序列视角研究 SGD 的收敛与极限定理，涉及不变原理、中心极限定理等时间序列渐近工具，故归入时间序列方向。
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…
随机梯度下降：非线性时间序列视角
- 研究问题
- 摘要称，本文研究固定步长随机梯度下降（SGD）的统计行为，尤其是如何刻画由固定初始点导致的非平稳性，并给出比依概率收敛更精细的渐近分析。
- 方法与思路
- 作者提出在迭代随机函数框架下分析 SGD，通过证明几何矩收缩（GMC）直接得到欧氏距离意义下的收敛，并据此推导平均 SGD 的淬火中心极限定理、不变原理与 α-稳定收敛；还通过研究关于步长的导数过程来理解步长影响。
- 材料陈述的贡献
- 摘要称，该框架可处理固定初始点带来的非平稳性，给出更精细的渐近刻画；提出利用多步长的增强 Richardson-Romberg 外推以改善偏差表示，使 ASGD 估计更接近全局最优，并提出新的在线推断方法与偏差校正变体。
- 阅读关注点
- 应核对 GMC 的证明条件与矩假设、淬火极限定理的适用前提、导数过程平稳解的存在性条件、外推偏差表示的具体形式，以及置信区间覆盖率趋于名义水平的模拟或理论依据。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性与适用范围，也无法核实数值结果；摘要未说明具体模型、数据或实验设置。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
This paper investigates the statistical behavior of Stochastic Gradient Descent (SGD) with constant step size under the framework of iterated random functions. Compared to previous studies establishing the convergence of SGD in probability measure, e.g., Wasserstein distance, our approach directly provides the convergence in Euclidean distance by showing the Geometric Moment Contraction (GMC) of SGD. This new convergence can address the non-stationarity of SGD due to fixed initial points and can provide a more refined asymptotic analysis of SGD. Specifically, we prove quenched central limit theorem, invariance principle and $α$-stable convergence for averaged SGD (ASGD) regardless of initialization. Furthermore, we provide a novel perspective to understand the impact of step sizes in SGD by studying its derivative with respect to the step size. The existence of stationary solutions for the derivative processes is shown, enabling the use of interpolation to recover the full-trajectory of SGD. Subsequently, we utilize multiple step sizes and show an enhanced Richardson-Romberg extrapolation with improved bias representation, which brings ASGD estimates closer to the global optimum. Finally, we propose a new online inference method and a bias-reduced variant for the extrapolated ASGD. Empirical confidence intervals are constructed and the coverage probabilities approach the nominal level as $n$ grows.