基于次高斯内禀矩范量的紧非渐近推断
机器学习
2026-03-16 v3 机器学习
计量经济学
摘要
在非渐近学习中，次高斯分布的方差型参数至关重要。然而，直接使用经验矩生成函数（MGF）估计这些参数是不可行的。为此，我们建议使用次高斯内禀矩范量 [Buldygin and Kozachenko (2000), Theorem 1.3]，其通过最大化一列归一化矩得到。重要的是，所建议的范量不仅能重构 MGF 的指数矩界，还能给出更紧的次高斯集中不等式。在实践中，我们利用次高斯图提供了一种直观方法来评估有限样本量数据是否为次高斯的。该内禀矩范量可通过简单的插件法稳健估计。我们的理论发现也适用于强化学习，包括多臂老虎机场景。
引用
@article{arxiv.2303.07287,
title = {Tight Non-asymptotic Inference via Sub-Gaussian Intrinsic Moment Norm},
author = {Huiming Zhang and Haoyu Wei and Guang Cheng},
journal= {arXiv preprint arXiv:2303.07287},
year = {2026}
}
备注
This manuscript has been withdrawn by the authors as it is not yet ready for public release. Further improvements and revisions are required before a final version can be considered for distribution