Learning by mirror averaging
通过镜像平均学习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：摘要涉及一般回归、分类与密度估计的聚合理论，没有提供足以归入所列经济计量细分方向的证据。
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
通过镜像平均学习
- 研究问题
- 给定有限个估计量或分类器，如何构造新的聚合规则，使其在指定风险标准下接近候选集合中表现最好的成员？
- 方法与思路
- 作者采用简单递归程序求解与原非线性问题相关的辅助随机线性规划，将该聚合程序表示为镜像平均算法的特例。
- 材料陈述的贡献
- 摘要称，在一些一般假设下，聚合规则满足尖锐的 oracle 不等式，并将结果应用于回归、分类和密度估计问题。
- 阅读关注点
- 应核对风险函数与候选集合的限制、递归更新方式、oracle 不等式中的常数和余项，以及各应用如何满足所需假设。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；一般假设及不等式具体形式未说明，不能据此声称聚合在所有样本下优于候选模型。
原文摘要
Given a finite collection of estimators or classifiers, we study the problem of model selection type aggregation, that is, we construct a new estimator or classifier, called aggregate, which is nearly as good as the best among them with respect to a given risk criterion. We define our aggregate by a simple recursive procedure which solves an auxiliary stochastic linear programming problem related to the original nonlinear one and constitutes a special case of the mirror averaging algorithm. We show that the aggregate satisfies sharp oracle inequalities under some general assumptions. The results are applied to several problems including regression, classification and density estimation.