Stochastic Approximation of an Implicity Defined Function
隐式定义函数的随机逼近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：摘要涉及一般随机逼近与过程控制，未明确对应所列经济或金融领域细分。
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
隐式定义函数的随机逼近
- 研究问题
- 当目标函数通过未知函数的符号关系隐式确定，且每轮只能观察该未知函数的无偏估计时，如何逐步估计目标函数？
- 方法与思路
- 在逐轮观察状态、选择实数输入并取得无偏反馈的设置下，作者进一步推广此前基于 Robbins–Monro 的函数估计程序。
- 材料陈述的贡献
- 摘要称，本文推广作者先前提出的随机逼近程序并研究其渐近分布；过程控制被列为应用，但摘要未给出应用结果。
- 阅读关注点
- 应核对符号条件如何约束目标函数、输入选择与更新步骤，以及状态序列、噪声和步长条件如何支持渐近分布结论。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；递推公式、收敛条件及极限分布未说明，不能把无偏反馈视为充分保证。
原文摘要
Let $S$ be a set, $R$ the real line, and $M$ a real function on $R \times S$. Assume there exists a real function, $f$, on $S$ such that $(x - f(s))M(x, s) \geq 0$ for all $x$ and $s$. Initially neither $M$ nor $f$ are known. The goal is to estimate $f$. At time $n, s_n$ (a value in $S$) is observed, $x_n$ (a real number) is chosen, and an unbiased estimator of $M(x_n, s_n)$ is observed. This problem has applications, for example, to process control. In a previous paper the author proposed estimation of $f$ by a generalization of the Robbins-Monro procedure. Here that procedure is generalized and asymptotic distributions are studied.