Fast and Robust Online Inference with Stochastic Gradient Descent via Random Scaling
通过随机缩放实现随机梯度下降的快速稳健在线推断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：摘要研究通用在线参数推断，借鉴时间序列方法不足以认定其专门研究时间序列模型。
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…
通过随机缩放实现随机梯度下降的快速稳健在线推断
- 研究问题
- 使用随机梯度下降的 Polyak–Ruppert 平均估计参数时，如何仅凭在线迭代构造无需重抽样或渐近方差估计的推断？
- 方法与思路
- 作者借鉴计量时间序列回归中的随机缩放思路，以函数型中心极限定理支持渐近枢轴统计量，并在线更新计算。
- 材料陈述的贡献
- 摘要称检验只需 SGD 迭代值，临界值无需重抽样且不必估计渐近方差；模拟显示其对调参变化具有稳健性。
- 阅读关注点
- 应核对函数型中心极限定理的条件、随机缩放矩阵的构造、临界值来源，以及步长和平均方式对有效性的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未给出数据依赖与调参条件，模拟稳健性不能外推至所有设置。
原文摘要
We develop a new method of online inference for a vector of parameters estimated by the Polyak-Ruppert averaging procedure of stochastic gradient descent (SGD) algorithms. We leverage insights from time series regression in econometrics and construct asymptotically pivotal statistics via random scaling. Our approach is fully operational with online data and is rigorously underpinned by a functional central limit theorem. Our proposed inference method has a couple of key advantages over the existing methods. First, the test statistic is computed in an online fashion with only SGD iterates and the critical values can be obtained without any resampling methods, thereby allowing for efficient implementation suitable for massive online data. Second, there is no need to estimate the asymptotic variance and our inference method is shown to be robust to changes in the tuning parameters for SGD algorithms in simulation experiments with synthetic data.