Kullback–Leibler aggregation and misspecified generalized linear models
Kullback–Leibler 聚合与误设广义线性模型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：摘要研究确定性设计下的通用回归聚合与误设理论，未明确涉及所列经济计量应用细分，故暂不分类。
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
Kullback–Leibler 聚合与误设广义线性模型
- 研究问题
- 在确定性设计的回归中，如何将纯聚合问题从高斯分布推广到指数族，并允许系统性部分误设或参数不可识别？
- 方法与思路
- 作者采用受约束或带惩罚的似然最大化处理聚合问题，以 Kullback–Leibler 聚合框架建立期望和高概率误差界。
- 材料陈述的贡献
- 摘要称方法无需参数可识别或系统性模型正确，给出尖锐的预言机不等式，并证明所给界在极小极大意义下最优。
- 阅读关注点
- 阅读全文时应核对聚合对象、损失与约束的定义，误设下的比较基准，以及尖锐不等式和极小极大最优性的适用条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；指数族范围、惩罚形式及最优界的条件未展开，也无法确认与刊本逐项一致。
原文摘要
In a regression setup with deterministic design, we study the pure aggregation problem and introduce a natural extension from the Gaussian distribution to distributions in the exponential family. While this extension bears strong connections with generalized linear models, it does not require identifiability of the parameter or even that the model on the systematic component is true. It is shown that this problem can be solved by constrained and/or penalized likelihood maximization and we derive sharp oracle inequalities that hold both in expectation and with high probability. Finally all the bounds are proved to be optimal in a minimax sense.