A reproducing kernel Hilbert space approach to functional linear regression
函数型线性回归的再生核希尔伯特空间方法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：摘要研究通用函数型回归理论，未明确涉及宏观预测、因子模型或其他所列细分方向。
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
函数型线性回归的再生核希尔伯特空间方法
- 研究问题
- 在函数型线性回归中，如何通过平滑正则化统一处理预测与参数估计，并刻画两类任务的最优收敛速度？
- 方法与思路
- 作者在再生核希尔伯特空间框架下使用平滑正则化，发展两个正定核的同时对角化工具来分析收敛率。
- 材料陈述的贡献
- 摘要称，正则化估计在比已有函数主成分方法更弱的条件下达到预测与估计的最优速率，并给出实现与数值展示。
- 阅读关注点
- 应核对预测损失与估计损失的区别、核与平滑度条件、极小极大下界，以及较弱条件具体对应哪些比较方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出收敛率、调参方式及数值结果，不能据此认定有限样本表现普遍更优。
原文摘要
We study in this paper a smoothness regularization method for functional linear regression and provide a unified treatment for both the prediction and estimation problems. By developing a tool on simultaneous diagonalization of two positive definite kernels, we obtain shaper results on the minimax rates of convergence and show that smoothness regularized estimators achieve the optimal rates of convergence for both prediction and estimation under conditions weaker than those for the functional principal components based methods developed in the literature. Despite the generality of the method of regularization, we show that the procedure is easily implementable. Numerical results are obtained to illustrate the merits of the method and to demonstrate the theoretical developments.