Bias-Variance Tradeoffs in Functional Estimation Problems
泛函估计问题中的偏差—方差权衡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：摘要属于一般泛函估计与极小极大理论，未提供任何给定应用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
泛函估计问题中的偏差—方差权衡
- 研究问题
- 在无限维高斯问题中，估计线性泛函时，限制偏差后的最坏情形方差与限制方差后的最坏情形偏差如何优化？
- 方法与思路
- 作者在无限维高斯框架中考察带偏差或方差约束的极小极大问题，比较仿射估计量与所有其他估计量。
- 材料陈述的贡献
- 摘要称仿射估计量在偏差约束下实现方差的极小极大最优，并在方差约束下实现平方偏差的对应最优性。
- 阅读关注点
- 应核对参数空间、约束的具体定义与可行范围，以及最坏情形风险如何取值和仿射估计量的构造方式。
- 阅读边界
- 仅据版本未注明的索引摘要；摘要未列出参数集合和约束条件，不能将结果解释为任意模型中仿射估计均最优。
原文摘要
It is shown in infinite-dimensional Gaussian problems that affine estimators minimax the variance among all estimators of a linear functional subject to a constraint on the bias. Likewise, affine estimators also minimax the square of the bias among all estimates of a linear functional subject to a constraint on the variance.