Performance of Empirical Risk Minimization for Linear Regression with Dependent Data
依赖数据下线性回归经验风险最小化的表现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：摘要讨论通用高维回归风险理论，未明确时间序列、面板或其他所列应用对象，因此不强行指定领域细分。
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…
依赖数据下线性回归经验风险最小化的表现
- 研究问题
- 当高维线性回归的数据既有依赖性又可能厚尾，且观测分布可以异质时，经验风险最小化能够达到怎样的风险表现？
- 方法与思路
- 作者不指定因变量与回归变量的真实关系，分别分析同分布和异质分布观测，为依赖、厚尾数据下的经验风险最小化建立界。
- 材料陈述的贡献
- 摘要称将既有分析扩展到依赖和厚尾数据，并证明经验风险最小化在依赖数据情形达到仅差一个对数因子的最优表现。
- 阅读关注点
- 应核对依赖性和尾部的限制、维度相对样本量的增长条件，以及风险定义、最优基准和对数因子出现的位置。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出具体依赖结构、矩条件、风险界表达式或适用样本规模。
原文摘要
This paper establishes bounds on the performance of empirical risk minimization for large-dimensional linear regression. We generalize existing results by allowing the data to be dependent and heavy-tailed. The analysis covers both the cases of identically and heterogeneously distributed observations. Our analysis is nonparametric in the sense that the relationship between the regressand and the regressors is not specified. The main results of this paper show that the empirical risk minimizer achieves the optimal performance (up to a logarithmic factor) in a dependent data setting.