Distribution-Free Confidence Ellipsoids for Ridge Regression with PAC Bounds
岭回归的无分布置信椭球与PAC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：摘要讨论岭回归置信椭球与PAC界，属于控制与信号处理中的线性模型估计不确定性，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量主题。
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…
岭回归的无分布置信椭球与PAC界
- 研究问题
- 摘要称，在输入激励不足导致最小二乘不可解或不稳定时，如何为岭回归正则化估计量构造估计不确定性区域，并刻画正则化参数对区域大小的影响。
- 方法与思路
- 作者提出将 Sign-Perturbed Sums 椭球外逼近（SPS EOA）算法扩展到岭回归，在噪声独立且关于零对称的假设下构造非渐近置信椭球，并推导区域大小的 PAC 上界。
- 材料陈述的贡献
- 摘要称结果显式给出正则化参数如何影响区域大小，并在更弱的激励假设下给出更紧的界；此外通过仿真实验展示正则化的实际效果。
- 阅读关注点
- 应核对噪声独立对称假设的具体形式、PAC 界与置信水平的定义、更弱激励假设的确切条件，以及仿真设置是否与理论假设一致。
- 阅读边界
- 仅为 arXiv 预印本摘要，未经同行评审或期刊接收；摘要未说明定理的完整识别条件、证明细节与仿真数值，不能据此判断实际表现或相对优势。
原文摘要
Linearly parametrized models are widely used in control and signal processing, with the least-squares (LS) estimate being the archetypical solution. When the input is insufficiently exciting, the LS problem may be unsolvable or numerically unstable. This issue can be resolved through regularization, typically with ridge regression. Although regularized estimators reduce the variance error, it remains important to quantify their estimation uncertainty. A possible approach for linear regression is to construct confidence ellipsoids with the Sign-Perturbed Sums (SPS) ellipsoidal outer approximation (EOA) algorithm. The SPS EOA builds non-asymptotic confidence ellipsoids under the assumption that the noises are independent and symmetric about zero. This paper introduces an extension of the SPS EOA algorithm to ridge regression, and derives probably approximately correct (PAC) upper bounds for the resulting region sizes. Compared with previous analyses, our result explicitly show how the regularization parameter affects the region sizes, and provide tighter bounds under weaker excitation assumptions. Finally, the practical effect of regularization is also demonstrated via simulation experiments.