XMSE-Aware Adaptive Empirical Bayes Estimation
XMSE 感知的自适应经验贝叶斯估计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：摘要聚焦经验贝叶斯与极大似然的二阶风险理论及核方法，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
XMSE 感知的自适应经验贝叶斯估计
- 研究问题
- 摘要称，经验贝叶斯估计虽可在一阶渐近风险上匹配极大似然，但二阶表现可能因核与真实参数错配而更差；本文研究如何利用超额均方误差（XMSE）诊断来设计在 ML 与 EB 收缩之间自适应插值的估计量。
- 方法与思路
- 作者提出 XMSE 感知的混合估计量，在极大似然与经验贝叶斯收缩之间插值；固定权重下的 XMSE 为标量二次型，由此得到闭式 oracle 混合权重，并给出基于有限样本 XMSE 近似的插件实现及其一致性、二阶 oracle 遗憾率与阈值边界规则等理论结果。
- 材料陈述的贡献
- 摘要称该混合估计量在 XMSE 尺度上不劣于 ML 与基础 EB 估计量，插件实现具有一致性并达到内部 oracle 权重的二阶遗憾率，且遗憾界可迁移到所选权重处的固定权重风险曲线，并扩展到紧核族与有限/增长核字典的高概率 oracle 界。
- 阅读关注点
- 应核对 XMSE 的定义与二阶风险比较框架、oracle 混合权重的推导条件、插件实现所需的正则性与核字典假设、遗憾率与高概率界的证明结构，以及模拟与 Silverbox、Cascaded Tanks 基准中基线设置和结论是否与摘要一致。
- 阅读边界
- 摘要未说明具体识别假设、定理的完整条件、模拟与基准的数值结果细节；且来源为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获独立验证。
原文摘要
Empirical Bayes (EB) estimators can match the first-order asymptotic risk of maximum likelihood (ML) while behaving very differently at second order: recent excess mean squared error (XMSE) analysis shows that kernel-based EB estimation may be worse than ML when the kernel is poorly aligned with the true parameter. This paper turns that diagnostic into a design principle. We propose an XMSE-aware mixed estimator that interpolates between ML and EB shrinkage. Its fixed-weight XMSE is a scalar quadratic, yielding a closed-form oracle mixing weight that is no worse than both ML and the base EB estimator at the XMSE scale. A plug-in implementation based on finite-sample XMSE approximations is proved consistent, with a second-order oracle regret rate for an interior oracle weight. We further establish a transfer of the regret bound to the fixed-weight risk curve evaluated at the selected weight, a thresholded boundary rule, and extensions to compact kernel families and to finite and growing kernel dictionaries with high-probability oracle bounds. Finite impulse response simulations with SURE-tuned, hard-selection, and trace-corrected baselines, together with the public Silverbox and Cascaded Tanks benchmarks, show that the proposed estimator retains most of the benefit of regularization when it is helpful and retreats toward ML under kernel misspecification, with an identified finite-de analyzed on the benchmarks.