Near-optimal inference in adaptive linear regression
自适应线性回归中的近最优推断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：摘要明确将自回归时间序列估计列为应用，提供时间序列方向的直接依据。
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…
自适应线性回归中的近最优推断
- 研究问题
- 自适应收集数据可能使最小二乘估计失去渐近正态性；如何校正这种分布异常，构造有效区间并利用各方向信息量的差异？
- 方法与思路
- 作者提出一族在线去偏估计量，利用数据协方差结构进行方向性调整，建立渐近正态性，并推导自适应回归的极小极大下界。
- 材料陈述的贡献
- 摘要称，方法在一定条件下提供渐近精确区间并达到极小极大下界，应用涵盖多臂老虎机、自回归时间序列和带探索的主动学习。
- 阅读关注点
- 应核对自适应采样条件、在线去偏构造、方向性精度度量，以及区间有效性和达到极小极大下界分别需要的条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，稿件版本未说明；“温和条件”和达到下界的具体范围未列出，不能推断任意自适应设计均有效。
原文摘要
When data is collected in an adaptive manner, even simple methods like ordinary least squares can exhibit non-normal asymptotic behavior. As an undesirable consequence, hypothesis tests and confidence intervals based on asymptotic normality can lead to erroneous results. We propose a family of online debiasing estimators to correct these distributional anomalies in least squares estimation. Our proposed methods take advantage of the covariance structure present in the dataset and provide sharper estimates in directions for which more information has accrued. We establish an asymptotic normality property for our proposed online debiasing estimators under mild conditions on the data collection process and provide asymptotically exact confidence intervals. We additionally prove a minimax lower bound for the adaptive linear regression problem, thereby providing a baseline by which to compare estimators. There are various conditions under which our proposed estimators achieve the minimax lower bound. We demonstrate the usefulness of our theory via applications to multi-armed bandit, autoregressive time series estimation, and active learning with exploration.