Optimal adaptive estimation of linear functionals under sparsity
稀疏性约束下线性泛函的最优自适应估计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。
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：摘要讨论高斯序列模型中的稀疏估计与适应性下界，未明确涉及金融因子、结构估计或其他所列领域的具体对象。
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…
稀疏性约束下线性泛函的最优自适应估计
- 研究问题
- 在高斯序列模型中，未知向量的稀疏程度未给定时如何估计线性泛函，若噪声方差也未知又能达到怎样的适应速度？
- 方法与思路
- 作者针对未知稀疏度构造自适应估计量，比较非渐近速度与极小极大速度，并研究同时适应未知稀疏度和噪声方差的估计。
- 材料陈述的贡献
- 摘要称，自适应速度与极小极大速度至多相差对数因子，该适应速度无法改进；同时给出稀疏度与方差均未知时的最优适应估计。
- 阅读关注点
- 应核对所估线性泛函、损失函数和稀疏类的定义，以及对数损失的具体形式、适应下界和未知方差情形所需条件。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出具体估计式、速度或参数限制，不能推广至任意泛函和非高斯噪声。
原文摘要
We consider the problem of estimation of a linear functional in the Gaussian sequence model where the unknown vector $\theta \in\mathbb{R}^{d}$ belongs to a class of $s$-sparse vectors with unknown $s$. We suggest an adaptive estimator achieving a nonasymptotic rate of convergence that differs from the minimax rate at most by a logarithmic factor. We also show that this optimal adaptive rate cannot be improved when $s$ is unknown. Furthermore, we address the issue of simultaneous adaptation to $s$ and to the variance $\sigma^{2}$ of the noise. We suggest an estimator that achieves the optimal adaptive rate when both $s$ and $\sigma^{2}$ are unknown.