Quantile Regression in Reproducing Kernel Hilbert Spaces
再生核希尔伯特空间中的分位数回归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：摘要明确研究核分位数回归，直接对应分位数方法；未提供足以归入因果或其他领域细分的信息。
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
再生核希尔伯特空间中的分位数回归
- 研究问题
- 作者研究如何在再生核希尔伯特空间中实施分位数回归，并兼顾完整解路径的计算、正则化参数选择与渐近理论。
- 方法与思路
- 作者提出计算核分位数回归完整解路径的算法，推导模型有效维度的简洁公式，用于正则化选择，并建立相应渐近理论。
- 材料陈述的贡献
- 摘要称，完整解路径的计算成本与拟合单个模型基本相当；有效维度公式便利调参，渐近理论则为模型的统计性质提供分析。
- 阅读关注点
- 应核对解路径对应的参数范围、计算成本比较口径、有效维度的定义，以及渐近理论对核函数、正则化和数据生成过程的要求。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近结论、调参准则和算法适用条件未说明，不能推断刊本变化。
原文摘要
In this article we consider quantile regression in reproducing kernel Hilbert spaces, which we call kernel quantile regression (KQR). We make three contributions: (1) we propose an efficient algorithm that computes the entire solution path of the KQR, with essentially the same computational cost as fitting one KQR model; (2) we derive a simple formula for the effective dimension of the KQR model, which allows convenient selection of the regularization parameter; and (3) we develop an asymptotic theory for the KQR model.