A sparse PAC-Bayesian approach for high-dimensional quantile prediction
高维分位数预测的稀疏 PAC-Bayes 方法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：摘要明确以高维条件分位数预测和分位数回归为研究目标，并分析其误差与稀疏适应性，直接对应分位数与分布方向。
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
高维分位数预测的稀疏 PAC-Bayes 方法
- 研究问题
- 当协变量数量超过样本量且真实稀疏程度未知时，如何进行条件分位数预测，并获得适应稀疏性的有限样本预测误差保证？
- 方法与思路
- 作者采用伪贝叶斯框架和带尺度参数的 Student-t 先验，以 Langevin 蒙特卡洛计算，并利用 PAC-Bayes 界分析预测误差。
- 材料陈述的贡献
- 摘要称建立非渐近预言机不等式，获得极小极大最优预测误差并适应未知稀疏性；模拟和实际数据中表现可与已有方法竞争。
- 阅读关注点
- 应核对损失函数、先验尺度与温度选择、误差界所需条件，以及理论预测保证与实际 Langevin 计算误差之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明完整正则条件，预测误差保证不能直接解释为后验区间有效性。
原文摘要
Quantile regression, a robust method for estimating conditional quantiles, has advanced significantly in fields such as econometrics, statistics, and machine learning. In high-dimensional settings, where the number of covariates exceeds sample size, penalized methods like lasso have been developed to address sparsity challenges. Bayesian methods, initially connected to quantile regression via the asymmetric Laplace likelihood, have also evolved, though issues with posterior variance have led to new approaches, including pseudo/score likelihoods. This paper presents a novel probabilistic machine learning approach for high-dimensional quantile prediction. It uses a pseudo-Bayesian framework with a scaled Student-t prior and Langevin Monte Carlo for efficient computation. The method demonstrates strong theoretical guarantees, through PAC-Bayes bounds, that establish non-asymptotic oracle inequalities, showing minimax-optimal prediction error and adaptability to unknown sparsity. Its effectiveness is validated through simulations and real-world data, where it performs competitively against established frequentist and Bayesian techniques.