非平稳加权风险最小化的快速率

该文研究分布漂移下加权经验风险最小化的样本外预测误差，将超额风险分解为学习项与漂移项，并在混合条件下证明学习误差的 oracle 不等式。界对任意权重类一致成立，涵盖权重向量诱导的有效样本量、权重与假设类复杂度及数据依赖性。平方损失下给出结构突变与平滑漂移过程的显式界，并在线性模型、基近似与神经网络的自回归问题中刻画学习与漂移间的偏差—方差权衡。