Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence
再生核希尔伯特空间中的广义非参数回归：相合性与收敛速率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：摘要内容属于非参数统计与学习理论的收敛性研究，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分，故不选择。
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
再生核希尔伯特空间中的广义非参数回归：相合性与收敛速率
- 研究问题
- 研究在再生核希尔伯特空间中进行正则化 M 估计时，估计量的存在性与可测性、收敛速率，以及偏差—方差如何随误设定与复杂度变化。
- 方法与思路
- 作者提出结合泛函分析与经验过程理论的方法，对目标函数作渐近线性化，从而避免依赖闭式解与全局 Lipschitz 假设，并覆盖凸与非凸损失（含界内稳健损失）。
- 材料陈述的贡献
- 摘要称在较弱损失条件下建立估计量的存在性与可测性，给出由新复杂度度量刻画的显式偏差—方差分解与尖锐收敛速率；并称在张量积 Sobolev 空间得到与占优混合光滑性函数空间相联系的新速率，解释此类估计量规避维数灾难的原因。
- 阅读关注点
- 应核对损失条件的具体表述、复杂度度量与源条件参数的定义、偏差—方差分解的假设前提，以及张量积 Sobolev 空间速率结论的适用范围与证明所依赖的线性化步骤。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明细节与数值实验设计；摘要未说明具体损失族、样本量设定与模拟结果数值，也未说明与既有速率结果的严格比较。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We develop a comprehensive theory for regularized M-estimation in reproducing kernel Hilbert spaces. Under mild conditions on the loss we establish existence and measurability of the estimator, covering a wide range of convex and non-convex losses, including bounded robust losses. We further prove sharp rates of convergence with an explicit bias-variance decomposition governed by a novel complexity measure. We show that the variance is independent of misspecification, while the bias depends on a source condition parameter known in the learning literature. For tensor product Sobolev spaces we obtain new rates that connect to spaces of functions with dominating mixed smoothness, substantially extending existing results and explaining why these estimators circumvent the curse of dimensionality. Our methodology, combining elements from both functional analysis and empirical process theory, allows for an asymptotic linearisation of the objective function that avoids both closed-form solutions and global Lipschitz assumptions, and may be of independent interest. The estimators are implemented in C++ and theory is supported by numerical experiments.