高维平滑支持向量机的统计推断：从离线到在线数据
统计方法学
2026-05-18 v1
摘要
高维分类问题常依赖于Lasso惩罚的线性支持向量机(SVM)。然而，由于该模型中夹具损失和Lasso惩罚导致的双重非光滑性，统计推断受到挑战并影响计算效率。本文提出了一个在离线和在线两种设置下的统一推断框架。在离线情况下，通过对夹具损失应用卷积平滑技术，我们构建了一个消除收缩偏差的无偏估计器，从而构建有效的置信区间。对于在线流式数据，我们开发了一个基于历史数据摘要统计量的实时估计器和推断程序。理论上，我们为离线和在线无偏估计器的渐近正态性提供了严格的证明。模拟研究和实际数据应用表明，我们的方法实现了有效的统计推断和 improved 的计算效率。
引用
@article{arxiv.2605.15911,
title = {Statistical Inference for Smoothed Support Vector Machines in High Dimensions: From Offline to Online Data},
author = {Shuya Zhou and Junwen Xia and Jingxiao Zhang},
journal= {arXiv preprint arXiv:2605.15911},
year = {2026}
}