Generalized universal inference on risk minimizers
风险最小化参数的广义通用推断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：摘要研究一般风险最小化目标的不确定性量化，没有所列计量细分领域的直接证据。
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…
风险最小化参数的广义通用推断
- 研究问题
- 当目标是期望损失函数的最小化参数时，如何量化估计不确定性，并在有限样本及可变停止规则下保持推断有效？
- 方法与思路
- 作者为风险最小化参数推广通用推断，在统计学习中的某项条件下研究有效性，并提出数据驱动的调参程序。
- 材料陈述的贡献
- 摘要称，该方法在所述条件下具有有限样本频率学有效性，其中一个版本任意时有效，调参方案在多类例子中表现良好。
- 阅读关注点
- 应核对保证有效性的学习条件、风险与目标参数的定义、任意时有效版本的构造，以及调参是否保留理论保证。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未指明关键学习条件、调参细节或比较数值，不能把有效性解释为无条件保证。
原文摘要
Abstract A common goal in statistics and machine learning is estimation of unknowns. Point estimates alone are of little value without an accompanying measure of uncertainty, but traditional uncertainty quantification methods, such as confidence sets and p-values, often require distributional or structural assumptions that may not be justified in modern applications. The present paper considers a very common case in machine learning, where the quantity of interest is the minimizer of a given risk (expected loss) function. We propose a generalization of universal inference specifically designed for inference on risk minimizers. Notably, our generalized universal inference attains finite-sample frequentist validity guarantees under a condition common in the statistical learning literature. One version of our procedure is also anytime-valid, i.e. it maintains the finite-sample validity properties regardless of the stopping rule used for the data collection process. Practical use of our proposal requires tuning, and we offer a data-driven procedure with strong empirical performance across a broad range of challenging statistical and machine learning examples.