Data-driven Error Estimation: Excess Risk Bounds without Class Complexity as Input
数据驱动的误差估计：无需输入函数类复杂度的超额风险界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：摘要研究通用同时推断与学习风险界，所述应用不足以明确归入提供的经济计量细分。
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…
数据驱动的误差估计：无需输入函数类复杂度的超额风险界
- 研究问题
- 如何在不预先输入估计类复杂度、误差相关结构也可能未知时，为有限或无限估计类的最大误差构造高概率上界？
- 方法与思路
- 作者将同时有效的误差控制表述为误差估计问题，提出完全数据驱动的方法，使误差界适应潜在未知的随机误差相关结构。
- 材料陈述的贡献
- 摘要称方法无需将函数类复杂度作为输入，并展示其在同时置信区间、超额风险控制及情境多臂老虎机探索优化中的应用。
- 阅读关注点
- 应核对误差界的具体数据构造、有限与无限类分别所需条件，以及未知相关结构的适应性如何体现在概率保证和界的紧度中。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；不输入复杂度不代表无复杂度限制，摘要未给出完整概率条件与误差界。
原文摘要
Constructing confidence intervals that are simultaneously valid across a class of estimates is central to tasks such as multiple mean estimation, generalization guarantees, and adaptive experimental design. We frame this as an ``error estimation problem," where the goal is to determine a high-probability upper bound on the maximum error for a class of estimates. We propose an entirely data-driven approach that derives such bounds for both finite and infinite class settings, naturally adapting to a potentially unknown correlation structure of random errors. Notably, our method does not require class complexity as an input, overcoming a major limitation of existing approaches. We present our simple yet general solution and demonstrate applications to simultaneous confidence intervals, excess-risk control and optimizing exploration in contextual bandit algorithms.