Estimation and inference for minimizer and minimum of convex functions: Optimality, adaptivity and uncertainty principles
凸函数极小点与最小值的估计和推断：最优性、自适应性与不确定性原理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：摘要属于凸回归的非参数估计与推断理论，没有明确关联结构估计、分布效应或其他所列细分。
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
凸函数极小点与最小值的估计和推断：最优性、自适应性与不确定性原理
- 研究问题
- 对于凸回归函数，如何同时估计其极小点和最小值并构造置信区间，两项任务之间是否存在不可避免的精度限制？
- 方法与思路
- 作者在白噪声与非参数回归模型中采用逐函数评价的非渐近局部极小极大框架，提出自适应算法并建立下界。
- 材料陈述的贡献
- 摘要称，论文给出估计误差和置信区间期望长度的尖锐下界，并建立限制极小点与最小值同时估计精度的不确定性原理。
- 阅读关注点
- 应核对局部比较集合、损失与置信覆盖的定义、算法自适应的范围，以及同时估计限制和各自最优性之间的关系。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；具体下界、算法复杂度与覆盖条件未提供，不能据此重构不确定性原理的公式。
原文摘要
Optimal estimation and inference for both the minimizer and minimum of a convex regression function under the white noise and nonparametric regression models are studied in a nonasymptotic local minimax framework, where the performance of a procedure is evaluated at individual functions. Fully adaptive and computationally efficient algorithms are proposed and sharp minimax lower bounds are given for both the estimation accuracy and expected length of confidence intervals for the minimizer and minimum. The nonasymptotic local minimax framework brings out new phenomena in simultaneous estimation and inference for the minimizer and minimum. We establish a novel uncertainty principle that provides a fundamental limit on how well the minimizer and minimum can be estimated simultaneously for any convex regression function. A similar result holds for the expected length of the confidence intervals for the minimizer and minimum.