Skip to content
Hot eventLive

非平稳加权风险最小化的快速率研究

1 reports1 sources3 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 12
arXiv 新研究给出分布漂移下加权经验风险最小化的 oracle 不等式与平方损失显式界。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Statistics Machine Learning
    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。

Heat trend

There is not enough continuous observation data to draw a trend yet.