Adaptive Prediction and Estimation in Linear Regression with Infinitely Many Parameters
无限参数线性回归中的自适应预测与估计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：摘要讨论一般无限维回归预测，未指定宏观时间序列或金融收益，故不足以归入所列预测方向。
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
无限参数线性回归中的自适应预测与估计
- 研究问题
- 在具有无限多个参数的随机线性回归中，如何实现对未知参数类的自适应预测，并达到精确的渐近极小极大目标？
- 方法与思路
- 作者对前若干系数的惩罚最小二乘拟合施加分块 Stein 规则，采用缓慢几何增长的块，并为相关序列模型建立预言机不等式。
- 材料陈述的贡献
- 摘要称所提预测方法在平方可和序列空间的椭球类上具有精确渐近极小极大自适应性，并提供支撑证明的预言机不等式。
- 阅读关注点
- 应核对预测损失、椭球类的定义、截断维度与分块规则，以及相关数据条件和精确极小极大常数的具体含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；设计条件、调参规则和有限样本误差未说明，通用预测结果不能直接推广到宏观或收益预测。
原文摘要
The problem of adaptive prediction and estimation in the stochastic linear regression model with infinitely many parameters is considered.We suggest a prediction method that is sharp asymptotically minimax adaptive over ellipsoids in $\ell_2$. The method consists in an application of blockwise Stein’s rule with “weakly” geometrically increasing blocks to the penalized least squares fits of the first $N$ coefficients. To prove the results we develop oracle inequalities for a sequence model with correlated data.