Honest Inference for Stochastic Optimization
随机优化的诚实推断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：摘要属于通用随机优化与统计推断理论，未提供与所列计量细分领域直接对应的证据。
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
随机优化的诚实推断
- 研究问题
- 当参数维度增长、目标函数不光滑或存在约束，使随机优化解具有非标准极限行为时，如何构造有效且宽度适应问题规则性的置信集？
- 方法与思路
- 作者提出统一构造随机优化解置信集的方法，将经验风险最小化纳为特例，并统一分析有效性、保守性及置信集大小。
- 材料陈述的贡献
- 摘要称该方法兼容规则与非规则情形，宽度能适应未知的实例规则程度，并提供多个高维及非规则统计问题的应用与数值结果。
- 阅读关注点
- 应核对置信集覆盖的目标、有效性保证的具体意义、维度增长与约束条件，以及适应性宽度结论是否同时控制保守程度和计算成本。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明保证的具体条件、覆盖形式和宽度速率，不能推断任意优化问题均适用。
原文摘要
This manuscript studies a general approach to construct confidence sets for the solution of stochastic optimization, rendering empirical risk minimization as special cases. Statistical inference for stochastic optimization poses significant challenges due to the non-standard limiting behaviors of the corresponding estimator, which arise in settings with increasing dimension of parameters, non-smooth objectives, or constraints. We propose a simple and unified method that guarantees validity in both regular and irregular cases. We provide a unified treatment of validity, conservativeness, and the size of the resulting confidence sets. In particular, the presented width analysis demonstrates the adaptive behavior of the confidence set to the unknown degree of instance-specific regularity. We apply the proposed method to several high-dimensional and irregular statistical problems. Numerical results for all statistical applications are provided.