Weak Signals and Heavy Tails: Learning Theory meets Extreme Value Analysis
弱信号与重尾：学习理论与极值分析的结合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：摘要明确涉及多元极值、分布尾部与极端观测的相依结构，直接对应尾部与系统性风险及分位数与分布效应方向。
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
弱信号与重尾：学习理论与极值分析的结合
- 研究问题
- 摘要称，研究问题是如何在非参数、非渐近的统一框架下，把多元极值理论与统计学习理论结合，以利用分布尾部中的稀缺信息完成预测或解释任务。
- 方法与思路
- 作者提出以针对低概率区域的最大偏差指数不等式，以及刻画多元极端观测及其相依结构的经验过程集中结果为主要理论工具，并在正则变化假设下考察分类、回归、异常检测、交叉验证模型选择等应用。
- 材料陈述的贡献
- 摘要称本文综述近期结果，为从少量极端数据中学习的监督或无监督算法建立保证，并展示如何将高维 Lasso 技术适配到协变量极值情形并给出泛化保证。
- 阅读关注点
- 阅读时应核对正则变化等具体假设、偏差不等式与集中结果的条件、各应用泛化界的推导方式，以及 Lasso 适配的设定与保证范围；摘要未说明具体数据、数值实验与证明细节。
- 阅读边界
- 这是 arXiv 预印本摘要，未经同行评审验证，不能据此声称已被期刊接收；仅凭摘要无法判断定理条件、证明正确性与实际表现。
原文摘要
The masses of data now available have opened up the prospect of discovering weak signals using machine-learning algorithms, with a view to predictive or interpretation tasks. As this survey of recent results attempts to show, bringing multivariate extreme value theory and statistical learning theory together in a common, nonparametric and nonasymptotic framework makes it possible to design and analyze new methods for exploiting the scarce information located in distribution tails in these purposes. This article reviews recently proved theoretical tools for establishing guarantees for supervised or unsupervised algorithms learning from a fraction of extreme data. These are mainly exponential maximal deviation inequalities tailored to low-probability regions and concentration results for stochastic processes empirically describing the behavior of multivariate extreme observations, their dependence structure in particular. Under appropriate assumptions of regular variation, several illustrative applications in multivariate settings are then examined: classification, regression, anomaly detection, model selection via cross-validation. For these, generalization results are established inspired by the classical bounds in statistical learning theory. In the same spirit, it is also shown how to adapt the popular high-dimensional Lasso technique in the context of extreme values for the covariates with generalization guarantees.