Statistical Inference for Smoothed Support Vector Machines in High Dimensions: From Offline to Online Data
高维平滑支持向量机的统计推断：从离线到在线数据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：摘要讨论高维支持向量机的去偏推断与在线估计，属于高维统计推断与机器学习交叉方向，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等主题，故不选择任何细分领域。
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
高维平滑支持向量机的统计推断：从离线到在线数据
- 研究问题
- 摘要称，高维分类常依赖 Lasso 惩罚线性支持向量机，但铰链损失与 Lasso 惩罚带来的双重非光滑性使统计推断困难并影响计算效率；本文研究如何在该模型下同时实现离线与在线数据的有效统计推断。
- 方法与思路
- 作者提出统一推断框架：离线情形对铰链损失做卷积平滑，构造去偏估计量以消除收缩偏差并建立置信区间；在线流数据情形提出仅依赖历史数据汇总统计量的实时估计与推断程序。摘要称对离线与在线去偏估计量的渐近正态性给出严格证明。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出覆盖离线与在线两种情形的统一推断框架，给出离线与在线去偏估计量的渐近正态性证明，并通过模拟研究与真实数据应用展示有效统计推断与计算效率提升。
- 阅读关注点
- 阅读全文时应核对：卷积平滑的具体形式与带宽选择、去偏估计量的构造与偏差修正机制、渐近正态性所需的正则条件与维度/样本量关系、在线汇总统计量的更新方式及其与离线结果的关系，以及模拟与实证中推断覆盖率与计算效率的具体度量。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、数据来源、数值结果与效率比较的具体细节；摘要未说明在线程序的遗憾界或收敛速率，也未说明实证数据领域。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
High-dimensional classification problems often rely on the Lasso-penalized linear Support Vector Machines (SVMs). However, the double non-smoothness induced by the hinge loss and Lasso penalty in this model makes statistical inference challenging and impedes computational efficiency. In this paper, we propose a unified inference framework in both offline and online settings. In the offline case, by applying a convolution smoothing technique to the hinge loss, we construct a debiased estimator that eliminates the shrinkage bias, thereby building a valid confidence interval. For online streaming data, we develop a real-time estimator and inference procedure that relies only on summary statistics of historical data. Theoretically, we provide rigorous proofs for the asymptotic normality of our offline and online debiased estimators. Simulation studies and real data applications demonstrate that our methods achieve valid statistical inference and improved computational efficiency.