Empirical risk minimization for heavy-tailed losses
重尾损失下的经验风险最小化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。
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：摘要讨论通用统计学习中的重尾风险最小化，未指向所列宏观或金融预测任务。
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…
重尾损失下的经验风险最小化
- 研究问题
- 当损失无界且可能具有重尾分布时，如何避免普通经验均值的不可靠性，并为风险最小化提供可分析的性能保证？
- 方法与思路
- 作者以 Catoni 的稳健均值估计替代经验均值构造风险最小化程序，并使用针对该估计量调整的链式论证推导性能界。
- 材料陈述的贡献
- 摘要称给出了基于 Catoni 稳健估计的经验风险最小化性能界，为普通经验风险在重尾情形下可能较大的超额风险提供替代分析。
- 阅读关注点
- 应核对损失的矩条件、稳健估计的调节参数、函数类复杂度度量，以及性能界与普通经验风险方法比较的适用范围。
- 阅读边界
- OpenAlex 摘要未注明版本；没有给出完整性能界、所需矩阶或有限样本比较，不能声称对所有重尾问题更优或推断刊本变化。
原文摘要
The purpose of this paper is to discuss empirical risk minimization when the losses are not necessarily bounded and may have a distribution with heavy tails. In such situations, usual empirical averages may fail to provide reliable estimates and empirical risk minimization may provide large excess risk. However, some robust mean estimators proposed in the literature may be used to replace empirical means. In this paper, we investigate empirical risk minimization based on a robust estimate proposed by Catoni. We develop performance bounds based on chaining arguments tailored to Catoni’s mean estimator.