Universal regression with adversarial responses
具有对抗性响应的普遍回归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：摘要属于一般在线学习与回归可学习性理论，提到非独立序列和平稳过程不足以归入专门时间序列计量。
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
具有对抗性响应的普遍回归
- 研究问题
- 在一般可分度量空间及广泛的非独立同分布输入序列下，面对对抗性响应，何时能够实现回归学习的普遍强一致性？
- 方法与思路
- 作者给出学习算法与可学习性刻画，按有限时域均值估计是否可行区分响应空间，并针对无界损失引入可积性条件。
- 材料陈述的贡献
- 摘要称可处理的输入序列类别超出平稳过程，给出乐观普遍学习规则，并提出无需响应序列矩条件的对抗性均值估计规则。
- 阅读关注点
- 应核对输入序列类别、对抗性响应与一致性的定义、响应空间二分的条件，以及无界损失和均值估计结论各自的范围。
- 阅读边界
- 仅据版本未注明的索引摘要；具体最小假设、算法成本及可积性条件未展开，无矩条件结论不能直接推广到全部无界损失回归。
原文摘要
We provide algorithms for regression with adversarial responses under large classes of non-i.i.d. instance sequences, on general separable metric spaces, with provably minimal assumptions. We also give characterizations of learnability in this regression context. We consider universal consistency, which asks for strong consistency of a learner without restrictions on the value responses. Our analysis shows that such an objective is achievable for a significantly larger class of instance sequences than stationary processes, and unveils a fundamental dichotomy between value spaces: whether finite-horizon mean estimation is achievable or not. We further provide optimistically universal learning rules, that is, such that if they fail to achieve universal consistency, any other algorithms will fail as well. For unbounded losses, we propose a mild integrability condition under which there exist algorithms for adversarial regression under large classes of non-i.i.d. instance sequences. In addition, our analysis also provides a learning rule for mean estimation in general metric spaces that is consistent under adversarial responses without any moment conditions on the sequence, a result of independent interest.