Regularized least squares learning with heavy-tailed noise is minimax optimal
重尾噪声下的正则化最小二乘学习达到极小极大最优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：摘要讨论再生核希尔伯特空间中的岭回归学习理论与收敛速率，属于统计学习理论，与所提供的微观、宏观、金融领域细分均无直接文本对应，故留空。
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…
重尾噪声下的正则化最小二乘学习达到极小极大最优
- 研究问题
- 研究在再生核希尔伯特空间中、噪声仅具有有限高阶矩（重尾）时，岭回归的学习性能如何，其超额风险能否达到最优收敛速率。
- 方法与思路
- 作者在积分算子框架下推导超额风险上界，将其分解为次高斯项与多项式项，并借助取值于希尔伯特空间的随机变量的 Fuk-Nagaev 不等式完成证明。
- 材料陈述的贡献
- 摘要称，主导的次高斯分量使收敛速率可达到此前仅在次指数噪声假设下才得到的水平；在标准特征值衰减条件下这些速率是最优的，说明正则化最小二乘对重尾噪声具有渐近稳健性。
- 阅读关注点
- 应核对噪声矩条件与特征值衰减假设的具体表述、超额风险界中次高斯项与多项式项的分解方式、Fuk-Nagaev 不等式的适用条件，以及最优性结论所依据的下界论证。
- 阅读边界
- 仅凭摘要无法判断证明细节、常数与速率的具体形式及假设的强弱；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
This paper examines the performance of ridge regression in reproducing kernel Hilbert spaces in the presence of noise that exhibits a finite number of higher moments. We establish excess risk bounds consisting of subgaussian and polynomial terms based on the well known integral operator framework. The dominant subgaussian component allows to achieve convergence rates that have previously only been derived under subexponential noise - a prevalent assumption in related work from the last two decades. These rates are optimal under standard eigenvalue decay conditions, demonstrating the asymptotic robustness of regularized least squares against heavy-tailed noise. Our derivations are based on a Fuk-Nagaev inequality for Hilbert-space valued random variables.