PulseAugur
实时 11:49:54
English(EN) Vector-valued self-normalized concentration inequalities beyond sub-Gaussianity

为向量值自归一化过程开发了新的浓度界限

研究人员为向量值设置中的自归一化过程开发了新的浓度界限,超越了典型的亚高斯框架。这些新界限适用于具有轻尾的过程,例如Bennett 或 Bernstein 不等式所涵盖的过程。这些发现对于在线线性回归和核化线性老虎机具有实际意义。 AI

影响 扩展了对自归一化过程的理论理解,可能改进在线学习和老虎机问题等领域的算法。

排序理由 该集群包含一篇详细介绍统计学和机器学习新理论结果的学术论文。[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 →

为向量值自归一化过程开发了新的浓度界限

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Diego Martinez-Taboada, Tomas Gonzalez, Aaditya Ramdas ·

    Vector-valued self-normalized concentration inequalities beyond sub-Gaussianity

    arXiv:2511.03606v2 Announce Type: replace Abstract: The study of self-normalized processes plays a crucial role in a wide range of applications, from sequential decision-making to econometrics. While the behavior of self-normalized concentration has been widely investigated for s…