Online inference with debiased stochastic gradient descent
利用去偏随机梯度下降进行在线推断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：摘要提供通用高维在线推断方法与文本应用，未指向所列具体领域。
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…
利用去偏随机梯度下降进行在线推断
- 研究问题
- 面对持续到达的高维数据，如何在单遍处理与较低存储需求下构造置信区间，并建立估计量的渐近分布？
- 方法与思路
- 作者将高维统计中的去偏技术与随机梯度下降结合，每次更新使用当前数据和先前估计，实现在线估计与置信区间构造。
- 材料陈述的贡献
- 摘要称，算法降低时间和空间复杂度，在稀疏性与数据分布条件下具有渐近正态性，数值实验达到名义覆盖率。
- 阅读关注点
- 应核对在线更新所需保存的状态、稀疏性与分布条件、步长和去偏量的构造，以及覆盖率与计算成本的评估方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断相关或非平稳数据流下是否有效，也未给出复杂度阶数和有限样本覆盖误差。
原文摘要
Summary We propose a debiased stochastic gradient descent algorithm for online statistical inference with high-dimensional data. Our approach combines the debiasing technique developed in high-dimensional statistics with the stochastic gradient descent algorithm. It can be used to construct confidence intervals efficiently in an online fashion. Our proposed algorithm has several appealing aspects: as a one-pass algorithm, it reduces the time complexity; in addition, each update step requires only the current data together with the previous estimate, which reduces the space complexity. We establish the asymptotic normality of the proposed estimator under mild conditions on the sparsity level of the parameter and the data distribution. Numerical experiments demonstrate that the proposed debiased stochastic gradient descent algorithm attains nominal coverage probability. Furthermore, we illustrate our method with analysis of a high-dimensional text dataset.