Highly Adaptive Empirical Risk Minimization with Principal Components
主成分高度自适应经验风险最小化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：摘要讨论非参数最小损失估计的降维与渐近理论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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…
主成分高度自适应经验风险最小化
- 研究问题
- 摘要称，高度自适应 Lasso（HAL）在极小光滑性假设下具有无维数 minimax 最优速率等理论保证，但其指示基展开随维度指数增长，计算上难以承受；现有筛选策略虽能降维却缺乏理论依据。因此研究问题是如何在保持理论有效性的前提下对 HAL 做降维。
- 方法与思路
- 作者提出主成分高度自适应（PC-HA）估计量族，摘要称其首次提供有原则且理论有效的降维；并建立这些估计量所求解得分方程的正式结果，从而在可比复杂度控制下把 HAL 的插入效率与逐点渐近正态性结果迁移到 PC-HA。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出 PC-HA 估计量族，给出理论有效的降维方案，并通过对得分方程的形式化结果，将 HAL 的插入效率与逐点渐近正态性迁移至 PC-HA。
- 阅读关注点
- 阅读全文时应核对：主成分如何构造、与 HAL 指示基的关系；复杂度控制的具体条件；得分方程结果所需的假设与正则化条件；效率与渐近正态性迁移的适用范围；以及是否报告有限样本表现或计算成本比较。
- 阅读边界
- 仅凭摘要无法判断假设是否可验证、证明细节是否正确、实际计算可行性、有限样本性质，也未说明与现有筛选策略的实证比较；摘要未给出任何数值结果。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
The Highly Adaptive Lasso (HAL) delivers unprecedented guarantees in nonparametric minimum loss estimation under minimal smoothness assumptions, such as dimension-free minimax optimal rates. However, the practical use of HAL has been severely limited by its exponentially growing computationally prohibitive indicator basis expansion in moderate to high dimensions. Existing screening strategies drastically reduce this dimension but lack any theoretical justification. We introduce the Principal Component Highly Adaptive (PC-HA) family of estimators, which for the first time provide a principled and theoretically valid dimension reduction. We establish formal results on the score equations solved by these PC-HA estimators, allowing to transfer plug-in efficiency and pointwise asymptotic normality results from HAL to these PC-HA estimators, under comparable complexity control.