非平稳加权风险最小化的快速率研究

2026年10月12日，arXiv 统计学机器学习栏目发布一项关于非平稳加权风险最小化的快速率研究（一手报道）。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。所得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。在平方损失下，研究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之间的偏差—方差权衡。目前未见后续报道或同行评议信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。