Sharp regret-Hellinger bounds for Gaussian empirical Bayes via polynomial approximation
借助多项式逼近建立高斯经验贝叶斯的尖锐遗憾界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：摘要研究正态均值模型下的通用经验贝叶斯风险理论，未提供给定经济计量细分方向的直接证据。
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
借助多项式逼近建立高斯经验贝叶斯的尖锐遗憾界
- 研究问题
- 在正态均值模型中，如何用估计边际密度与真实密度的 Hellinger 距离控制学习贝叶斯规则的超额风险，并明确正则化的必要性？
- 方法与思路
- 作者结合多项式逼近与加权 L2 范数的 Bernstein 型不等式，直接分析未经正则化的遗憾，并分别处理紧支撑、指数尾和重尾先验。
- 材料陈述的贡献
- 摘要称得到更尖锐且部分最优的遗憾界，改进非参数最大似然估计的风险结果，并表明仅有矩约束的重尾情形仍需正则化。
- 阅读关注点
- 应核对各类先验的精确定义、遗憾界的常数与适用区间，以及密度估计速率如何转化为最优风险和非参数最大似然的差距。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供证明与完整条件，部分最优性结论不能扩展至任意先验或模型。
原文摘要
A central problem in the theory of empirical Bayes is to control the regret (excess risk) of a learned Bayes rule by the Hellinger distance between the estimated and true marginal densities. In the normal means model, the classical result of Jiang and Zhang (2009) achieves this only after regularizing the Bayes rule and incurs an extraneous cubic logarithmic factor through a delicate recursive argument. This paper introduces a new technique, based on polynomial approximation and Bernstein-type inequalities for weighted $L_2$ norms, that bounds the unregularized regret directly. The method is conceptually simpler and yields sharper, sometimes optimal, regret bounds. For compactly supported priors, we prove the sharp bound that the regret is $O(ε^2 \frac{\log(1/ε)}{\log\log(1/ε)})$, where $ε$ is the Hellinger distance between the marginal densities. The same method also extends to priors with exponential tails. Conversely, we show that regularization is genuinely necessary for heavy-tailed priors under only bounded moment assumptions. As statistical consequences, we obtain improved regret bounds for the nonparametric maximum likelihood estimator (NPMLE). Notably, for compactly supported priors, by determining the optimal Hellinger rate of mixture density estimation, we show that the optimal regret for sample size $n$ scales as $Θ(\frac{1}{n}(\frac{\log n}{\log\log n})^2)$, attained by the NPMLE within a $\log\log n$ factor.