Ranking and Empirical Minimization of U-statistics
排序与 U 统计量的经验最小化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。
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：摘要讨论机器学习排序和一般经验过程理论，未明确涉及所列计量经济学应用方向。
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…
排序与 U 统计量的经验最小化
- 研究问题
- 如何把两两实例排序表述为统计风险最小化问题，并研究排序规则的一致性及特定噪声条件下的收敛速度？
- 方法与思路
- 作者以 U 统计量估计排序风险，运用 U 过程理论分析经验风险最小化，同时研究凸风险最小化方法。
- 材料陈述的贡献
- 摘要称建立了退化 U 过程的尾概率不等式，并据此说明特定噪声假设下可实现快速收敛率。
- 阅读关注点
- 应核对排序风险和规则类的定义、退化 U 过程不等式的条件，以及快速收敛所需噪声假设和凸替代风险性质。
- 阅读边界
- 索引摘要未注明稿件版本；未提供具体噪声条件、收敛率或证明，不能把条件性快速收敛解读为普遍优势。
原文摘要
The problem of ranking/ordering instances, instead of simply classifying them, has recently gained much attention in machine learning. In this paper we formulate the ranking problem in a rigorous statistical framework. The goal is to learn a ranking rule for deciding, among two instances, which one is “better,” with minimum ranking risk. Since the natural estimates of the risk are of the form of a U-statistic, results of the theory of U-processes are required for investigating the consistency of empirical risk minimizers. We establish, in particular, a tail inequality for degenerate U-processes, and apply it for showing that fast rates of convergence may be achieved under specific noise assumptions, just like in classification. Convex risk minimization methods are also studied.