Sharp oracle inequalities for aggregation of affine estimators
仿射估计量聚合的锐利预言不等式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：摘要属于通用非参数回归与统计决策理论，未明确对应所列经济计量细分方向。
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
仿射估计量聚合的锐利预言不等式
- 研究问题
- 在异方差高斯噪声的非参数回归中，如何聚合可能不可数的仿射估计量，并保证聚合风险接近理想参照的水平？
- 方法与思路
- 作者研究指数加权聚合，证明 PAC-Bayes 型不等式，进而得到适用于离散及连续候选集合的锐利预言不等式。
- 材料陈述的贡献
- 摘要称该框架涵盖多种回归与逆问题估计量，并可在不离散化调参范围、不拆分观测的情况下实现精确极小极大自适应。
- 阅读关注点
- 应核对仿射估计量和异方差噪声的限制、风险度量与不等式常数，以及精确极小极大自适应对应的函数类别和条件。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；风险界条件、参数选择与数值结果未提供，不能据此宣称任意聚合都有优势。
原文摘要
We consider the problem of combining a (possibly uncountably infinite) set of affine estimators in nonparametric regression model with heteroscedastic Gaussian noise. Focusing on the exponentially weighted aggregate, we prove a PAC-Bayesian type inequality that leads to sharp oracle inequalities in discrete but also in continuous settings. The framework is general enough to cover the combinations of various procedures such as least square regression, kernel ridge regression, shrinking estimators and many other estimators used in the literature on statistical inverse problems. As a consequence, we show that the proposed aggregate provides an adaptive estimator in the exact minimax sense without discretizing the range of tuning parameters or splitting the set of observations. We also illustrate numerically the good performance achieved by the exponentially weighted aggregate.