Bandwidth selection in kernel empirical risk minimization via the gradient
利用梯度进行核经验风险最小化的带宽选择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：摘要讨论一般统计学习与带宽自适应理论，未提供所列经济学细分方向的直接依据。
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
利用梯度进行核经验风险最小化的带宽选择
- 研究问题
- 在核经验风险最小化中，如何数据驱动地选择多维且可能各向异性的带宽，并为非线性估计提供自适应性能保证？
- 方法与思路
- 作者比较不同带宽下的经验风险梯度，在光滑损失框架内构造选择规则，将 Goldenshluger–Lepski 思路扩展到非线性估计。
- 材料陈述的贡献
- 摘要称该规则在稳健非参数回归和含变量测量误差的学习等模型中达到最优自适应结果，且不依赖风险的 Hessian 矩阵。
- 阅读关注点
- 应核对梯度比较准则、损失光滑性与模型条件、各向异性参数类别，以及不依赖 Hessian 的准确含义和实际计算步骤。
- 阅读边界
- 版本未注明的索引摘要未列出最优性的损失标准、函数类或具体速率；“通用”规则的适用范围仍须由全文条件确定。
原文摘要
In this paper, we deal with the data-driven selection of multidimensional and possibly anisotropic bandwidths in the general framework of kernel empirical risk minimization. We propose a universal selection rule, which leads to optimal adaptive results in a large variety of statistical models such as nonparametric robust regression and statistical learning with errors in variables. These results are stated in the context of smooth loss functions, where the gradient of the risk appears as a good criterion to measure the performance of our estimators. The selection rule consists of a comparison of gradient empirical risks. It can be viewed as a nontrivial improvement of the so-called Goldenshluger–Lepski method to nonlinear estimators. Furthermore, one main advantage of our selection rule is the nondependency on the Hessian matrix of the risk, usually involved in standard adaptive procedures.