Adaptive deep learning for nonlinear time series models
非线性时间序列模型的自适应深度学习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。
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：摘要明确研究非平稳非线性时间序列及多类自回归模型的均值函数估计。
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
非线性时间序列模型的自适应深度学习
- 研究问题
- 在非平稳、非线性时间序列中，深度神经网络能否自适应估计均值函数，并适应内在低维结构及不连续或粗糙函数？
- 方法与思路
- 作者建立非惩罚与稀疏惩罚神经网络估计量的泛化误差界，并对多类非线性自回归模型推导极小极大下界及自适应收敛结果。
- 材料陈述的贡献
- 摘要称稀疏惩罚估计量对多类非线性 AR 模型达到仅差多对数因子的极小极大最优速率，并以数值模拟支持理论适用性。
- 阅读关注点
- 应核对非平稳性与时间依赖条件、函数类别及网络复杂度限制，以及自适应性质、最优速率和多对数损失分别适用于哪些模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出误差界公式、依赖条件或训练细节，不能推断任意序列上的最优性。
原文摘要
In this paper, we develop a general theory for adaptive nonparametric estimation of the mean function of a non-stationary and nonlinear time series model using deep neural networks (DNNs). We first consider two types of DNN estimators, non-penalized and sparse-penalized DNN estimators, and establish their generalization error bounds for general non-stationary time series. We then derive minimax lower bounds for estimating mean functions belonging to a wide class of nonlinear autoregressive (AR) models that include nonlinear generalized additive AR, single index, and threshold AR models. Building upon the results, we show that the sparse-penalized DNN estimator is adaptive and attains the minimax optimal rates up to a poly-logarithmic factor for many nonlinear AR models. Through numerical simulations, we demonstrate the usefulness of the DNN methods for estimating nonlinear AR models with intrinsic low-dimensional structures and discontinuous or rough mean functions, which is consistent with our theory.