新统计方法处理高维相关数据

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

本文介绍了一种名为“未知相关设计下的最小二乘加性回归”的新统计方法，该方法适用于数据随机设计相关且维度可能随样本量增加而增加的场景。该方法采用Riesz基构造来处理这种相关性，建立了相容性界限并开发了阈值最小二乘估计量。研究表明，预测精度可以达到匹配的最小二乘上下界，表明在某些条件下该问题可以达到已知的密度最小二乘速率，否则速率由边际密度的平滑度决定。 AI

影响引入了分析复杂高维数据的新颖统计技术，可能推动机器学习模型的发展。

排序理由这是一篇在arXiv上发表的研究论文，详细介绍了一种新的统计方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

本文如何被排名

Signal score: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇在arXiv上发表的研究论文，详细介绍了一种新的统计方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 Deutsch(DE) · Baptiste Ferrere, Fabrice Gamboa, Jean-Michel Loubes · 2026-10-01 04:00

未知依赖设计下的Minimax加性回归

arXiv:2609.39212v1 Announce Type: new Abstract: We study additive regression under a potentially non-product random design on $[0,1]^d$, allowing the dimension $d$ to grow with the sample size $n$. We introduce coupled smoothness classes that separately control the regularity of …

本文如何被排名

报道来源 [1]

未知依赖设计下的Minimax加性回归

相关实体

相关话题