基于通用链结技术的经验过程上极值集中不等式及其在统计学习中的应用
计量经济学
2026-02-23 v2
摘要
本文发展了一种针对具有相关数据经验过程上极值的通用集中不等式。通过将通用链结与耦合策略相结合，获得了该集中不等式。我们的框架能够容纳高维和重尾（亚 Weibull）数据。我们通过为具有相关数据的回归问题中的经验风险最小化推导非渐近预测性能保证，展示了本结果的实际用途。特别是，我们为广泛的非线性回归模型建立了 oracle 不等式，并以单层神经网络模型为特例。我们的结果表明，针对广泛的非线性回归模型，利用相关数据进行经验风险最小化，其预测精度可与独立同分布（i.i.d.）情况下相当。
引用
@article{arxiv.2511.00597,
title = {Concentration Inequalities for Suprema of Empirical Processes with Dependent Data via Generic Chaining with Applications to Statistical Learning},
author = {Chiara Amorino and Christian Brownlees and Ankita Ghosh},
journal= {arXiv preprint arXiv:2511.00597},
year = {2026}
}
备注
42 pages