Deviation optimal learning using greedy $Q$-aggregation
利用贪心 Q 聚合实现偏差概率意义下的最优学习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：摘要研究固定设计下的通用回归聚合，没有宏观预测、收益预测或其他所列领域的具体背景。
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
利用贪心 Q 聚合实现偏差概率意义下的最优学习
- 研究问题
- 在固定设计回归中，如何聚合有限个候选函数，使平方误差接近最佳候选，并获得超出期望风险保证的概率控制？
- 方法与思路
- 作者提出 Q 聚合目标以获得尖锐预言不等式，再设计贪心求解程序形成稀疏聚合，并用模拟比较收敛和预测表现。
- 材料陈述的贡献
- 摘要称，Q 聚合解决指数权重方法在偏差概率控制上的次优问题，贪心程序生成的稀疏聚合仍可达到极小极大最优速率。
- 阅读关注点
- 应核对概率保证中的置信参数、噪声条件及预言不等式常数，以及贪心迭代的停止规则、稀疏程度和计算误差控制。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体概率界和模型条件未说明，通用回归风险结论不能直接推广为时序或收益预测优势。
原文摘要
Given a finite family of functions, the goal of model selection aggregation is to construct a procedure that mimics the function from this family that is the closest to an unknown regression function. More precisely, we consider a general regression model with fixed design and measure the distance between functions by the mean squared error at the design points. While procedures based on exponential weights are known to solve the problem of model selection aggregation in expectation, they are, surprisingly, sub-optimal in deviation. We propose a new formulation called $Q$-aggregation that addresses this limitation; namely, its solution leads to sharp oracle inequalities that are optimal in a minimax sense. Moreover, based on the new formulation, we design greedy $Q$-aggregation procedures that produce sparse aggregation models achieving the optimal rate. The convergence and performance of these greedy procedures are illustrated and compared with other standard methods on simulated examples.