On universal oracle inequalities related to high-dimensional linear models
高维线性模型中的通用预言机不等式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：摘要是高维线性逆问题与正则化的一般理论，未限定于所列经济或金融应用方向。
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
高维线性模型中的通用预言机不等式
- 研究问题
- 在已知设计矩阵可能严重病态的高维高斯线性模型中，如何依据观测数据选择谱正则化参数并控制均方风险？
- 方法与思路
- 作者针对与有序平滑器相关的谱正则化方法，在经验风险最小化中提出新惩罚项，其启发来自超额风险的平衡。
- 材料陈述的贡献
- 摘要称推导了控制数据驱动谱正则化均方风险的尖锐预言机不等式，为该类参数选择规则提供理论风险界。
- 阅读关注点
- 应核对有序平滑器与矩阵谱的要求、惩罚项是否依赖已知噪声水平，以及预言机参照、常数和余项的具体形式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出风险界细节或适用条件，也未报告实际数据上的比较。
原文摘要
This paper deals with recovering an unknown vector θ from the noisy data Y = Aθ + σξ, where A is a known (m × n)-matrix and ξ is a white Gaussian noise. It is assumed that n is large and A may be severely ill-posed. Therefore, in order to estimate θ, a spectral regularization method is used, and our goal is to choose its regularization parameter with the help of the data Y. For spectral regularization methods related to the so-called ordered smoothers [see Kneip Ann. Statist. 22 (1994) 835–866], we propose new penalties in the principle of empirical risk minimization. The heuristical idea behind these penalties is related to balancing excess risks. Based on this approach, we derive a sharp oracle inequality controlling the mean square risks of data-driven spectral regularization methods.