A sieve stochastic gradient descent estimator for online nonparametric regression in Sobolev ellipsoids
Sobolev 椭球中在线非参数回归的筛随机梯度下降估计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：摘要研究通用在线非参数回归与计算资源界，未指明宏观预测、收益预测或所列其他领域的应用。
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
Sobolev 椭球中在线非参数回归的筛随机梯度下降估计
- 研究问题
- 面对持续到达的数据流，如何在 Sobolev 椭球函数空间中在线更新非参数回归估计，并兼顾统计误差与内存开销？
- 方法与思路
- 作者结合非参数筛估计与随机逼近，提出 Sieve-SGD，通过逐次更新估计避免每次新观测到来后重新拟合整个模型。
- 材料陈述的贡献
- 摘要称，在一组条件下，该估计达到均方误差的最优收敛率；在所有统计收敛率最优估计量中，其内存使用近乎最小。
- 阅读关注点
- 应核对 Sobolev 椭球与数据条件、筛维数和步长安排，以及误差率最优和近乎最小内存各自的比较标准。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；具体条件、误差率及资源界未提供，不能将数据流到达理解为允许任意时间依赖。
原文摘要
The goal of regression is to recover an unknown underlying function that best links a set of predictors to an outcome from noisy observations. in nonparametric regression, one assumes that the regression function belongs to a pre-specified infinite-dimensional function space (the hypothesis space). in the online setting, when the observations come in a stream, it is computationally-preferable to iteratively update an estimate rather than refitting an entire model repeatedly. inspired by nonparametric sieve estimation and stochastic approximation methods, we propose a sieve stochastic gradient descent estimator (Sieve-SGD) when the hypothesis space is a Sobolev ellipsoid. We show that Sieve-SGD has rate-optimal mean squared error (MSE) under a set of simple and direct conditions. The proposed estimator can be constructed with a low computational (time and space) expense: We also formally show that Sieve-SGD requires almost minimal memory usage among all statistically rate-optimal estimators.