Resolvable Fourier Degree and Minimax Estimation on theBoolean Hypercube
布尔超立方体上的可分辨傅里叶阶数与极小极大估计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。
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：摘要研究通用高维回归、傅里叶逼近和极小极大理论，未明确涉及给定的微观、宏观或金融应用方向。
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
布尔超立方体上的可分辨傅里叶阶数与极小极大估计
- 研究问题
- 在布尔超立方体上的高维非参数回归中，样本量能够识别到多高阶的交互作用，平滑预算与支持集信息如何决定估计风险？
- 方法与思路
- 作者以傅里叶空间维度不超过样本量定义可分辨阶数，分析傅里叶—索博列夫椭球，并讨论已知和未知支持的单调回归。
- 材料陈述的贡献
- 摘要称一般模型的极小极大风险由预算与可分辨阶数决定，并给出已知支持的匹配速率及未知支持的维度和选择成本刻画。
- 阅读关注点
- 应核对采样分布、损失函数、噪声条件、预算适用范围，以及可分辨阶数定义和各模型上下界成立的维度区间。
- 阅读边界
- 依据 arXiv 第1版预印本摘要，不能据此声称已同行评审或期刊接收；摘要未提供完整模型条件、证明及风险界的常数。
原文摘要
We study high-dimensional nonparametric regression on the Boolean hypercube \(\{0,1\}^d\), from a sample of size \(n\), under a Fourier--Sobolev budget, i.e., a bound \(B\) on the total quadratic influence of the regression function. The central object is the resolvable Fourier degree \(D^*(d,n)\), defined as the largest interaction order \(D\) such that the dimension of the degree-\(D\) Fourier--Walsh space does not exceed \(n\). We prove that the minimax risk over Fourier--Sobolev ellipsoids is of order \(B/D^*(d,n)\): estimation is possible up to the statistically visible interaction order, and the budget controls the residual mass carried by higher-order interactions. We then study monotone regression under the same budget. For monotone functions supported on a known set of \(s\) coordinates, with \(s\) of order \(\log n\), we obtain a matching minimax rate of order \(B/s\). Finally, we consider an unknown-support model in which the function is monotone and depends on at most \(s\) coordinates; its minimax risk is governed by the intrinsic dimension \(s\) together with the logarithmic cost of selecting the active support.