新的深度学习方法解决相关数据和协变量偏移下的回归问题

研究人员开发了一种新颖的稀疏惩罚深度神经网络（SPDNN）估计器，旨在解决协变量偏移和相关数据下的非参数回归挑战。该方法利用广义 Bernstein 型不等式和两步预训练程序来估计密度比和回归函数。提出的 SPDNN 估计器实现了非渐近误差界，并能自适应地获得各种数据模型（包括时间序列）的 minimax 最优收敛速率。 AI

影响 引入了一种新的统计方法，可以提高机器学习模型在数据分布变化的实际场景中的鲁棒性。

排序理由 详细介绍机器学习新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• Bernstein-Type Inequality for Widely Dependent Sequence and Its Application to Nonparametric Regression Models
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations
• SPDNN

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →