Broadcasted nonparametric tensor regression
广播式非参数张量回归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：摘要涉及一般非参数张量回归，未指定因果、宏观预测或金融预测等所列应用方向。
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
广播式非参数张量回归
- 研究问题
- 如何通过将单变量函数广播到张量协变量的各个元素，非参数刻画张量回归中的非线性，并分析高维估计表现？
- 方法与思路
- 作者利用广播操作建立非线性张量回归，提出惩罚估计及相应算法，并在张量维度可增长时研究收敛率和极小极大下界。
- 材料陈述的贡献
- 摘要称下界刻画了估计量在多种情形中的最优性，数值实验支持理论发现，并显示相对既有线性模型的表现优势。
- 阅读关注点
- 应核对广播函数的共享方式、模型约束及惩罚参数选择，检查维度增长条件、上下界匹配范围与数值比较设定。
- 阅读边界
- 仅据所给 Crossref 摘要版本；函数类别、具体速率、最优性条件和实验数值未说明，不能断言对所有张量数据均更好。
原文摘要
Abstract We propose a novel use of a broadcasting operation, which distributes univariate functions to all entries of the tensor covariate, to model the nonlinearity in tensor regression nonparametrically. A penalized estimation and the corresponding algorithm are proposed. Our theoretical investigation, which allows the dimensions of the tensor covariate to diverge, indicates that the proposed estimation yields a desirable convergence rate. We also provide a minimax lower bound, which characterizes the optimality of the proposed estimator for a wide range of scenarios. Numerical experiments are conducted to confirm the theoretical findings, and they show that the proposed model has advantages over its existing linear counterparts.