Distributed Nonparametric Estimation under Communication Constraints
通信约束下的分布式非参数估计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：摘要核心为通用分布式非参数理论，波动率仅为示例且未限定金融对象，不足以确定所列细分领域。
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
通信约束下的分布式非参数估计
- 研究问题
- 数据分散存储于多个计算节点且通信成本受限时，非参数估计能够达到怎样的误差水平，如何设计达到相应界限的方法？
- 方法与思路
- 作者建立通信受限分布式估计的一般框架，在多类模型中推导极小极大下界及匹配上界，并提出可验证的充分条件。
- 材料陈述的贡献
- 摘要称框架超越以高斯模型为主的研究，覆盖回归、密度估计、分类、泊松回归与波动率估计等具体例子。
- 阅读关注点
- 应核对通信预算和交互协议、数据在节点间的分配、函数类限制，以及上下界匹配是否包含额外因子。
- 阅读边界
- 这是预印本，同行评审未核验；摘要未给出具体收敛速率、通信量或模型条件，不能据此确定实际部署的收益。
原文摘要
In the era of big data, it is necessary to split extremely large data sets across multiple computing nodes and construct estimators using the distributed data. When designing distributed estimators, it is desirable to minimize the amount of communication across the network because transmission between computers is slow in comparison to computations in a single computer. Our work provides a general framework for understanding the behavior of distributed estimation under communication constraints for nonparametric problems. We provide results for a broad class of models, moving beyond the Gaussian framework that dominates the literature. As concrete examples we derive minimax lower and matching upper bounds in the distributed regression, density estimation, classification, Poisson regression and volatility estimation models under communication constraints. To assist with this, we provide sufficient conditions that can be easily verified in all of our examples.