Linear Regression from 1-bit Quantized Data
基于1比特量化数据的线性回归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。
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：摘要讨论的是量化数据下的线性回归估计与渐近推断，属于计量方法与统计理论，未涉及所给因果推断、面板、离散选择、时间序列、资产定价等具体领域细分，故不选择。
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
基于1比特量化数据的线性回归
- 研究问题
- 研究问题：当预测变量、其平方项与响应变量都经过单比特抖动量化时，如何估计线性回归模型，以及该估计量的误差与渐近性质如何。
- 方法与思路
- 方法思路：作者提出对最小二乘二次规划形式中的二次项与线性项做插入式（plug-in）估计的估计量，推导其ℓ2估计误差的非渐近上界，并在预测变量个数固定时给出渐近分布。
- 材料陈述的贡献
- 摘要所述贡献：给出该估计量的非渐近误差界与可用于推断的渐近分布，讨论相对普通最小二乘的均方误差效率，指出在该量化协议下难以期待对提出估计量的实质改进，并说明可纳入先sketching后量化的压缩流程及高维扩展。
- 阅读关注点
- 阅读时应核对：量化协议与抖动机制的具体设定、插入式估计量的构造细节、非渐近界所依赖的假设、渐近分布成立的条件，以及高维扩展与数值实验的设计。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否合理、界是否紧、渐近推断的实际表现，也未说明具体常数、模拟结果与高维扩展的适用范围；该文为arXiv预印本，未经同行评审验证。
原文摘要
Motivated by the prevalence of environments in which data is abundant while resources for storage and/or transmission might be scarce, we study linear regression when predictors, their squares, and responses are subject to single-bit dithered quantization. An estimator relying on plug-in estimation of the quadratic and linear terms in the quadratic program formulation of the least squares problem is proposed. We provide a non-asymptotic bound on the $\ell_2$-estimation error of this estimator and obtain its asymptotic distribution when the number of predictors is fixed, which can be used for inference and an investigation of the mean-square error efficiency relative to the ordinary least squares estimator. It is shown that for the quantization protocol under consideration, substantial improvements over the proposed estimator cannot be expected. A compression pipeline in which the underlying data is first subject to sketching and subsequently quantization can be studied within our framework as well. We also present an extension to address high-dimensional predictors. Numerical experiments with synthetic data complement our theoretical findings.