非平稳加权风险最小化的快速收敛率
机器学习
2026-05-19 v2 机器学习
统计理论
统计理论
摘要
加权经验风险最小化是应对分布漂移预测的常见方法。本文研究其在非平稳情况下的预测误差。我们提供了剩余风险的一般分解，将其分为学习项与分布漂移相关的误差项，并在混合条件下给出学习误差的oracle不等式。该学习界限对任意权重类统一成立，考虑权重向量诱导的有效样本量、权重和假设类的复杂度以及潜在的数据依赖性。我们在线性模型、基函数近似和神经网络等(自-)回归问题中阐明了结果的适用性和尖锐性，在专门用于非加权和平稳设置时，恢复了minimax最优收敛率(最多 logarithmic 因子)。
引用
@article{arxiv.2602.05742,
title = {Fast Rates for Nonstationary Weighted Risk Minimization},
author = {Tobias Brock and Thomas Nagler},
journal= {arXiv preprint arXiv:2602.05742},
year = {2026}
}