Vector-valued self-normalized concentration inequalities beyond sub-Gaussianity
超越次高斯情形的向量自归一化集中不等式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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要提供一般概率集中理论及在线学习应用，未明确对应给定的微观、宏观或金融领域细分，因此不作分类。
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…
超越次高斯情形的向量自归一化集中不等式
- 研究问题
- 在尾部轻但不满足次高斯框架的条件下，如何为向量值自归一化过程建立集中界，并支持序贯学习中的统计控制？
- 方法与思路
- 作者研究超出次高斯情形的轻尾向量过程，给出 Bennett 或 Bernstein 类型的集中界，并展示在线线性回归应用。
- 材料陈述的贡献
- 摘要称，论文补充了向量自归一化过程在非次高斯轻尾情形下的集中结果，并说明其在线回归和核化线性赌博机用途。
- 阅读关注点
- 应核对轻尾条件、向量归一化矩阵的定义、界是否同时适用于多个时点，以及在线回归和赌博机应用所需的附加条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出不等式形式、常数和条件，不能推断其覆盖一般重尾过程。
原文摘要
The study of self-normalized processes plays a crucial role in a wide range of applications, from sequential decision-making to econometrics. While the behavior of self-normalized concentration has been widely investigated for scalar-valued processes, vector-valued processes remain comparatively underexplored, especially outside of the sub-Gaussian framework. In this contribution, we provide concentration bounds for self-normalized processes with light tails beyond sub-Gaussianity (such as Bennett or Bernstein bounds). We illustrate the relevance of our results in the context of online linear regression, with applications in (kernelized) linear bandits.