Complexity Dependent Error Rates for Physics-informed Statistical Learning via the Small-ball Method
基于小球方法的物理信息统计学习复杂度相关误差率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：摘要讨论的是物理信息统计学习的理论误差率与小球方法，属于统计学习理论，与所列微观、宏观、金融计量细分领域均无直接文本关联。
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
基于小球方法的物理信息统计学习复杂度相关误差率
- 研究问题
- 摘要称，物理信息统计学习（PISL）虽被广泛使用，但缺乏理论理解，具体提出两个问题：(A) 软惩罚与硬约束之间的权衡是什么；(B) 相比纯数据驱动的经验误差最小化，引入物理知识能带来怎样的统计增益。
- 方法与思路
- 作者提出基于小球方法，在凸包满足小球条件的函数类（特别是凸函数类）中，针对以线性方程表达的物理知识，推导复杂度相关的误差率；并将结果专门化到有限维 q 的线性类，其中方程解空间维数为 k<q。
- 材料陈述的贡献
- 摘要称，在惩罚参数高于显式阈值时，物理信息估计量达到硬约束经验误差最小化器的误差界；在仅需噪声二阶矩条件下，惩罚将误差率从 √(q/n) 改进为 √(k/n)，起到降维效果；并量化方程误设时结论的退化程度。
- 阅读关注点
- 应核对小球条件的具体形式与适用范围、惩罚参数阈值的显式表达、误差率推导所依赖的假设（如噪声二阶矩条件）、误设情形下超额残差的定义，以及结论是否仅限线性类与凸类。
- 阅读边界
- 这是 arXiv 预印本（v2），未经同行评审或期刊接收验证；摘要未说明具体证明细节、常数、模拟或实证结果，不能据此判断结论的一般性与实际表现。
原文摘要
Physics-informed statistical learning (PISL) integrates empirical data with physical knowledge to enhance the statistical performance of estimators. While PISL methods are widely used in practice, a comprehensive theoretical understanding of how informed regularization affects statistical properties is still missing. Specifically, two fundamental questions have yet to be fully addressed: (A) what is the trade-off between soft penalties and hard constraints, and (B) what is the statistical gain of incorporating physical knowledge compared to purely data-driven empirical error minimisation. In this paper, we address these questions for PISL in classes of functions whose convex hull satisfies a small-ball condition, in particular convex classes, under physical knowledge expressed as linear equations by developing appropriate complexity dependent error rates based on the small-ball method. We specialise them to linear classes of finite dimension $q$ in which the space of solutions of the equation has dimension $k < q$, and show that (A) the physics-informed estimator attains the error bound of the hard-constrained empirical error minimiser whenever the penalty parameter is above an explicit threshold, and that (B) the penalty improves the error rate from $\sqrt{q/n}$ to $\sqrt{k/n}$ under a second moment condition on the noise only, having the effect of a dimensionality reduction. We also quantify how these conclusions degrade when the equation is misspecified, in terms of the excess residual of the target function. This work establishes a theoretical framework for evaluating the statistical properties of physics-informed estimators in such classes, contributing to closing the gap between statistical theory and practical PISL.