Robust linear least squares regression
稳健线性最小二乘回归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：摘要研究通用回归预测风险，未明确涉及宏观预测、收益预测或其他所列经济计量方向。
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
稳健线性最小二乘回归
- 研究问题
- 在重尾噪声下，如何接近给定函数集合的最佳线性预测，并为普通最小二乘、岭估计及新估计量建立风险和偏差界？
- 方法与思路
- 作者通过截断损失差的PAC-Bayesian分析推导风险界，并在极小极大框架中构造截断估计量，考察参数约束变体。
- 材料陈述的贡献
- 摘要称获得无对数因子的d/n风险界，新估计量同时具备期望与偏差保证，且无需输出分布的指数矩条件。
- 阅读关注点
- 应核对风险的定义、设计与矩条件、截断和调参方式、指数偏差保证的含义，以及实验比较的设置与评价指标。
- 阅读边界
- 索引摘要未注明稿件版本或完整假设；无需指数矩不代表无需其他矩条件，摘要的实验支持也不足以确认普遍优越性。
原文摘要
We consider the problem of robustly predicting as well as the best linear combination of d given functions in least squares regression, and variants of this problem including constraints on the parameters of the linear combination. For the ridge estimator and the ordinary least squares estimator, and their variants, we provide new risk bounds of order d/n without logarithmic factor unlike some standard results, where n is the size of the training data. We also provide a new estimator with better deviations in the presence of heavy-tailed noise. It is based on truncating differences of losses in a min–max framework and satisfies a d/n risk bound both in expectation and in deviations. The key common surprising factor of these results is the absence of exponential moment condition on the output distribution while achieving exponential deviations. All risk bounds are obtained through a PAC-Bayesian analysis on truncated differences of losses. Experimental results strongly back up our truncated min–max estimator.