Random rates in anisotropic regression (with a discussion and a rejoinder by the authors)
各向异性回归中的随机速率：附讨论与作者回应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：摘要研究一般极小极大风险与高斯白噪声变量选择，未明确对应所列经济计量细分方向。
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…
关注这篇论文的作者
各向异性回归中的随机速率：附讨论与作者回应
- 研究问题
- 在极小极大理论中，若用数据可测的随机变量归一化风险，应如何定义最优性并构造相应的最优统计程序？
- 方法与思路
- 作者提出随机归一化风险及程序构造方法，应用于高斯白噪声中的显著变量选择，并讨论与自适应估计的联系。
- 材料陈述的贡献
- 摘要称该方法能够给出明确的、改进的L₂范数置信集，从而在所述意义下改善估计准确性，并建立相应最优性框架。
- 阅读关注点
- 应核对随机归一化的定义、最优性比较对象、置信集改善的确切含义，并区分主论文、讨论与作者回应各自的内容。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本。摘要未给出最优性条件或改善幅度，也未提供所附讨论与回应，不能推断这些材料的观点。
原文摘要
In the context of minimax theory, we propose a new kind of risk, normalized by a random variable, measurable with respect to the data. We present a notion of optimality and a method to construct optimal procedures accordingly. We apply this general setup to the problem of selecting significant variables in Gaussian white noise. In particular, we show that our method essentially improves the accuracy of estimation, in the sense of giving explicit improved confidence sets in $L_2$-norm. Links to adaptive estimation are discussed.