Optimal One-Pass Nonparametric Estimation Under Memory Constraint
内存约束下最优的单遍非参数估计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：流式处理描述数据计算方式，摘要未明确时间序列依赖或所列其他领域的研究对象。
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
内存约束下最优的单遍非参数估计
- 研究问题
- 面对处理后即被清除的流式数据，如何在只能遍历一次且内存有限的条件下估计非参数回归，并量化精度与内存的权衡？
- 方法与思路
- 作者利用带惩罚的正交基展开构造单遍估计量，并建立分析统计效率与内存消耗关系的一般框架，考察其理论与数值表现。
- 材料陈述的贡献
- 摘要称估计量在内存约束下统计最优，且在同等估计质量的单遍方法中具有渐近最小内存需求；数值表现接近全历史数据方法。
- 阅读关注点
- 应核对内存消耗的计算口径、函数类别与损失定义、最优性下界覆盖的方法集合，以及基展开更新和参数选择是否满足单遍限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供最优性条件、内存量级或与离线方法的具体差距。
原文摘要
For nonparametric regression in the streaming setting, where data constantly flow in and require real-time analysis, a main challenge is that data are cleared from the computer system once processed due to limited computer memory and storage. We tackle the challenge by proposing a novel one-pass estimator based on penalized orthogonal basis expansions and developing a general framework to study the interplay between statistical efficiency and memory consumption of estimators. We show that, the proposed estimator is statistically optimal under memory constraint, and has asymptotically minimal memory footprints among all one-pass estimators of the same estimation quality. Numerical studies demonstrate that the proposed one-pass estimator is nearly as efficient as its nonstreaming counterpart that has access to all historical data.