Expected Kullback-Leibler-based characterizations of score-driven updates
基于期望 KL 散度的得分驱动更新刻画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：摘要提供通用得分驱动更新理论，未明确具体时间序列、波动率或其他所列领域应用。
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…
基于期望 KL 散度的得分驱动更新刻画
- 研究问题
- 论文研究得分驱动更新为何具有信息论依据，以及相对于未知真实生成密度，什么更新方向能够降低期望 KL 散度。
- 方法与思路
- 作者以期望 KL 散度的下降刻画更新方向与期望得分的内积关系，并依据得分矩推导允许的学习率界及相关更新形式。
- 材料陈述的贡献
- 摘要声称这种刻画适用于非凹、多变量和模型误设情形，并涵盖缩放或截断更新，为得分驱动方法提供信息论解释。
- 阅读关注点
- 应核对散度下降等价关系和唯一性陈述的准确范围、期望运算及步长条件，并检查缩放和截断更新满足条件的方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未完整列出数学条件，也不能由散度下降直接判断经验预测表现。
原文摘要
Score-driven (SD) models are a standard tool in statistics and econometrics, with applications in hundreds of published articles in the past decade. We provide an information-theoretic characterization of SD updates based on reductions in the expected Kullback-Leibler (EKL) divergence relative to the true -- but unknown -- data-generating density. EKL reductions occur if and only if the expected update direction aligns with the expected score; i.e., their inner product should be positive. This equivalence condition uniquely identifies SD updates (including scaled or clipped variants) as being EKL reducing, even in non-concave, multivariate, and misspecified settings. We further derive explicit bounds on admissible learning rates in terms of score moments, linking SD methods to adaptive optimization techniques. By contrast, alternative performance measures in the literature impose stronger conditions (e.g., concave logarithmic densities) and do not characterize SD updates: other updating rules may improve these measures, while SD updates need not. Our results provide a rigorous justification for SD models and establish EKL as their natural information-theoretic foundation.