Learning Operators by Regularized Stochastic Gradient Descent with Operator-valued Kernels
利用算子值核与正则化随机梯度下降学习算子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：摘要研究通用算子学习与逆问题，未提供所列计量经济学细分方向的直接证据。
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
利用算子值核与正则化随机梯度下降学习算子
- 研究问题
- 如何在从Polish空间到可分Hilbert空间的回归算子估计中处理逆问题的不适定性，并控制可能无限维输出下的预测与估计误差？
- 方法与思路
- 作者在算子值核诱导的向量值再生核Hilbert空间中分析正则化SGD，分别研究步长和正则化递减的在线算法及固定参数的有限步数算法。
- 材料陈述的贡献
- 摘要称获得不显式依赖输出维数的误差界、期望下近最优收敛率及推出几乎必然收敛的高概率界，并展示结构化预测与参数椭圆偏微分方程应用。
- 阅读关注点
- 应核对结构与分布假设、近最优性的比较基准、高概率界的适用条件，以及偏微分方程应用中系数衰减如何保证截断一致的界。
- 阅读边界
- 依据arXiv v5预印本摘要，同行评审或期刊接收未核验；摘要未给出具体假设和速率表达式，不能判断适用范围或证明细节。
原文摘要
We consider a class of statistical inverse problems involving the estimation of a regression operator from a Polish space to a separable Hilbert space, where the target lies in a vector-valued reproducing kernel Hilbert space induced by an operator-valued kernel. To address the associated ill-posedness, we analyze regularized stochastic gradient descent (SGD) algorithms in both online and finite-horizon settings. The former uses polynomially decaying step sizes and regularization parameters, while the latter adopts fixed values. Under suitable structural and distributional assumptions, we establish prediction and estimation error bounds with no explicit dependence on the dimension of the output space. The resulting convergence rates are near-optimal in expectation, and we also derive high-probability estimates that imply almost sure convergence. Our analysis introduces a general technique for obtaining high-probability guarantees in infinite-dimensional settings. We illustrate the scope of our framework through applications to structured prediction and a class of parametric elliptic PDEs. For the latter, we construct kernels for arcsine and uniform sampling, verify the assumptions of our high-probability results, and obtain bounds uniform over finite parameter truncations under suitable conditions on coefficient decay.