Online estimation with rolling validation: Adaptive nonparametric estimation with streaming data
滚动验证下的在线估计：流式数据的自适应非参数估计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：摘要讨论通用在线非参数估计与超参数选择，未明确涉及宏观预测、收益预测或其他所列细分。
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…
关注这篇论文的作者
滚动验证下的在线估计：流式数据的自适应非参数估计
- 研究问题
- 论文研究流式数据中在线非参数算法如何选择模型和超参数，并在保持逐点更新与计算效率的同时获得自适应表现。
- 方法与思路
- 作者提出加权滚动验证，作为在线版留一交叉验证；理论分析主要依赖统计稳定性假设，并用模拟考察权重与选择敏感性。
- 材料陈述的贡献
- 摘要称，该程序对许多常见随机梯度估计器仅增加少量计算，可改善经验表现并达到自适应收敛率，模拟强调发散权重的作用。
- 阅读关注点
- 读全文时应核对稳定性假设、权重增长规则和候选估计器范围，并区分经验性能改善、理论收敛率与计算成本的证据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；稳定性条件、具体收敛率与成本界未给出，流式数据本身也不意味着允许任意序列依赖。
原文摘要
Online nonparametric estimators are gaining popularity due to their efficient computation and competitive generalization abilities. An important example includes variants of stochastic gradient descent. These algorithms often take one sample point at a time and incrementally update the parameter estimate of interest. In this work, we consider model selection/hyperparameter tuning for such online algorithms. We propose a weighted rolling validation procedure, an online variant of leave-one-out cross-validation, that costs minimal extra computation for many typical stochastic gradient descent estimators and maintains their online nature. Similar to batch cross-validation, it can boost base estimators to achieve better heuristic performance and adaptive convergence rate. Our analysis is straightforward, relying mainly on some general statistical stability assumptions. The simulation study underscores the significance of diverging weights in practice and demonstrates its favorable sensitivity even when there is only a slim difference between candidate estimators.