The distributionally robust prediction error of the LASSO and related estimators
LASSO 及相关估计量的分布鲁棒预测误差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：摘要研究一般线性预测和分布鲁棒优化，未指定宏观预测、金融收益或其他所列应用目标，故不作领域推断。
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…
LASSO 及相关估计量的分布鲁棒预测误差
- 研究问题
- 带凸惩罚的线性预测器在训练分布之外表现如何，能否通过分布鲁棒优化解释其正则化，并对分布外预测误差给出界？
- 方法与思路
- 作者建立惩罚估计与特定最大切片 Wasserstein 度量下最坏预测误差的联系，分析分布球的统计性质，并提出神谕调参建议。
- 材料陈述的贡献
- 摘要称给出新的分布外预测误差界，结合鲁棒优化表征、分布球的有限样本与渐近分析，以及保证预测表现的神谕参数选择。
- 阅读关注点
- 应核对损失与惩罚的适用条件、分布距离和球半径的定义，以及误差界依赖的假设和神谕调参能否转化为可行程序。
- 阅读边界
- 仅据所给 Crossref 摘要；误差界常数、分布条件和可实施调参方法未说明，不能据此声称对任意分布漂移或数据都有优势。
原文摘要
We study the classical problem of predicting an outcome variable, Y, using a linear combination of a d-dimensional covariate vector, X. We are interested in linear predictors whose coefficients solve infβ∈Rd(EPn[|Y−X⊤β|r])1/r+δρ(β), where δ>0 is a regularization parameter, ρ:Rd→R+ is a convex penalty function, Pn is the empirical distribution of the data and r≥1. Our main contribution is a new bound on the out-of-distribution prediction error of such estimators. The new bound is obtained by combining three new sets of results. First, we provide conditions under which linear predictors based on these estimators solve a distributionally robust optimization problem: they minimize the worst-case prediction error over distributions that are close to each other in a type of max-sliced Wasserstein metric. Second, we provide a detailed finite-sample and asymptotic analysis of the statistical properties of the balls of distributions over which the worst-case prediction error is analyzed. Third, we present an oracle recommendation for the choice of regularization parameter, δ, that guarantees good out-of-distribution prediction error.