跳到正文
← 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：摘要属于通用估计量聚合与极小极大理论，没有直接指向所列微观、宏观或金融细分应用。

kernelmachine learningestimation
反馈分类问题

正在核对关联版本…

DOI · 预印本使用 arXiv 编号

arXiv

作者的期刊发表依据

暂未核实关联作者的本站覆盖期刊正式发表记录。仍保留在“全部预印本”；资料缺失不代表没有发表经历。

arXiv：2609.07166 · v1

首次提交：2026-09-07 · 最近修订：2026-09-07

原站分类：math.ST

收录依据：统计方法、统计理论或金融计量分类，且题名或摘要含计量研究主题

下载 BibTeX下载 RIS

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
Jingfu Peng

AI 解读 · 基于可核验材料

仿射估计量聚合的最优收敛率

研究问题
候选仿射估计量与聚合权重使用同一数据、且不做样本分割时，凸组合及无约束线性组合能达到怎样的最优风险速率？
方法与思路
作者研究有限个仿射估计量的凸聚合与线性聚合，建立极小极大风险界，并分析最小化 Mallows C_p 准则的权重选择。
材料陈述的贡献
摘要称，论文确定凸聚合的极小极大速率，并证明 C_p 权重选择达到该速率；线性聚合也获得相匹配的上下界。
阅读关注点
应核对仿射估计量类别、风险与参数空间的定义，以及候选数量如何进入速率，并检查同数据估计带来的依赖如何处理。
阅读边界
这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出速率表达式及完整条件，不能推断结论适用于任意非线性估计量。

GPT-6.1 Sol · 高 · 2026-10-03

原文摘要

Aggregation of estimation procedures has found important applications in econometrics, statistics, and machine learning. Classical statistical aggregation theory has mainly focused on a \emph{pure aggregation} setting, where the candidate estimators are either deterministic or constructed using a held-out sample independent of that used for aggregation. When the candidate estimators and the aggregation weights are estimated from the same dataset without sample splitting, Bellec [\emph{Ann. Statist.} \textbf{46} (2018), 30--59] established the optimal rate for model-selection aggregation of affine estimators. Beyond this regime, however, fundamental questions regarding the optimal aggregation rates and the construction of aggregation rules attaining these rates remain largely unresolved. In this paper, we consider the problem of aggregating a finite collection of affine estimators to learn an optimal convex combination of them. This framework encompasses a rich class of estimators widely used in statistics and machine learning, including least squares estimators, kernel ridge estimators, random feature regression estimators, and among many others. We establish the minimax rate for convex aggregation of affine estimators. In particular, we show that estimating the weights by minimizing a Mallows' $C_p$ criterion attains the optimal rate. We further study the linear aggregation regime with unrestricted weights and establish matching minimax lower and upper bounds over suitable classes of affine estimators.

摘要来源：arXiv

笔记与分组