On prediction of individual sequences
单个序列的预测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：摘要核心是任意二元序列的在线预测理论，自回归专家仅为示例，未明确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…
关注这篇论文的作者
单个序列的预测
- 研究问题
- 对生成机制不作假设的二元序列，随机化序贯预测如何使累计错误尽量接近固定专家集合中的最佳者。
- 方法与思路
- 作者将极小极大遗憾与经验过程理论连接，以 Rademacher 过程及专家类的几何性质刻画预测难度。
- 材料陈述的贡献
- 摘要称完整刻画无记忆专家情形的遗憾，给出一般上下界，并确定自回归线性与马尔可夫专家类的精确阶。
- 阅读关注点
- 核对预测者与专家的信息集、随机化方式、损失定义，以及专家类复杂度如何决定遗憾上下界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体界、专家限制和实现成本未说明，不能推断宏观或金融预测表现。
原文摘要
Sequential randomized prediction of an arbitrary binary sequence is investigated. No assumption is made on the mechanism of generating the bit sequence. The goal of the predictor is to minimize its relative loss (or regret), that is, to make almost as few mistakes as the best “expert” in a fixed, possibly infinite, set of experts. We point out a surprising connection between this prediction problem and empirical process theory. First, in the special case of static (memoryless) expert, we completely characterize the minimax regret in terms of the maximum of an associated Rademacher process. Then we show general upper and lower bounds on the minimax regret in terms of the geometry of the class of experts. As main examples, we determine the exact order of magnitude of the minimax regret for the class of autoregressive linear predictors and for the class of Markov experts.