ConquerNet：具有极小化极大保证的卷积平滑分位数 ReLU 神经网络
机器学习
2026-05-08 v1 机器学习
摘要
分位数回归是分布式学习的基本工具，但由于 pinball loss 的非平滑性，它对深度模型提出了重大的优化挑战。我们提出了 ConquerNet，一类卷积平滑的分位数 ReLU 神经网络，它在保留底层分位数结构的同时产生平滑的目标函数。我们在温和条件下建立了 ConquerNet 的一般非渐近风险界，并提供了 Besov 函数类上的极小化极大保证。在数值研究中，我们证明了所提出的方法在多个分位数水平上优于标准的分位数神经网络，在各个方面都显示出更高的估计精度和训练效率，在高分位数和低分位数上优势尤为明显。
引用
@article{arxiv.2605.06265,
title = {ConquerNet: Convolution-Smoothed Quantile ReLU Neural Networks with Minimax Guarantees},
author = {Tianpai Luo and Fangwei Wu and Weichi Wu},
journal= {arXiv preprint arXiv:2605.06265},
year = {2026}
}