論文の概要: Online Quantile Regression for Nonparametric Additive Models

• arxiv url: http://arxiv.org/abs/2604.08969v1
• Date: Fri, 10 Apr 2026 05:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.696429
• Title: Online Quantile Regression for Nonparametric Additive Models
• Title（参考訳）: 非パラメトリック付加モデルに対するオンライン量子回帰
• Authors: Haoran Zhan,
• Abstract要約: 本稿では,オンライン環境下での非パラメトリック加算量子化回帰モデルをトレーニングするための関数勾配降下アルゴリズム(P-FGD)を提案する。 P-FGDの利点は、ステップ毎に$O(J_tln J_t)$計算複雑性を維持しながら履歴データを格納する必要がないことである。 提案したオンライン量子関数推定器 (P-FGD) が最小値の最適整合性を達成することを証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a projected functional gradient descent algorithm (P-FGD) for training nonparametric additive quantile regression models in online settings. This algorithm extends the functional stochastic gradient descent framework to the pinball loss. An advantage of P-FGD is that it does not need to store historical data while maintaining $O(J_t\ln J_t)$ computational complexity per step where $J_t$ denotes the number of basis functions. Besides, we only need $O(J_t)$ computational time for quantile function prediction at time $t$. These properties show that P-FGD is much better than the commonly used RKHS in online learning. By leveraging a novel Hilbert space projection identity, we also prove that the proposed online quantile function estimator (P-FGD) achieves the minimax optimal consistency rate $O(t^{-\frac{2s}{2s+1}})$ where $t$ is the current time and $s$ denotes the smoothness degree of the quantile function. Extensions to mini-batch learning are also established.
• Abstract（参考訳）: 本稿では,オンライン環境下での非パラメトリック加算量子化回帰モデルをトレーニングするための関数勾配降下アルゴリズム(P-FGD)を提案する。 このアルゴリズムは機能的確率勾配降下フレームワークをピンボール損失に拡張する。 P-FGDの利点は、$O(J_t\ln J_t)$計算複雑性を維持しながら履歴データを格納する必要がないことである。 さらに、量子関数の予測には$O(J_t)$の計算時間しか必要ありません。 これらの特性から,P-FGDはオンライン学習においてよく使われるRKHSよりもはるかに優れていることが分かる。 新たなヒルベルト空間射影恒等式を活用することにより、提案したオンライン量子関数推定器(P-FGD)が最小値最適整合率$O(t^{-\frac{2s}{2s+1}})$を達成し、$t$が現在の時間であり、$s$が量子関数の滑らか度度を表すことを証明できる。 ミニバッチ学習の拡張も確立されている。

関連論文リスト

• Statistical Inference for Linear Functionals of Online Least-squares SGD when $t \gtrsim d^{1+δ}$ [7.884611719110979]
  グラディエント・Descent (SGD) は、現代のデータ科学における基礎的な手法となっている。 本研究では,オンライン最小二乗 SGD の線型汎函数に対して,非漸近的ベリー-エッセイン境界を確立する。
  論文  参考訳（メタデータ） (2025-10-22T16:25:49Z)
• Gradient-free stochastic optimization for additive models [50.57026826740147]
  本稿では,Polyak-Lojasiewicz あるいは強凸条件を満たす目的関数に対する雑音観測によるゼロ次最適化の問題に対処する。 対象関数は加法的構造を持ち、H"古い関数族によって特徴づけられる高次滑らか性特性を満たすと仮定する。
  論文  参考訳（メタデータ） (2025-03-03T23:39:08Z)
• Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference [33.14076284663493]
  短期的なデータから長期的な因果効果を推定しなければならない。 MDPはこのような長期的ダイナミクスを捉えるための自然なフレームワークを提供する。 非パラメトリックな実装は時間間重なりの強い仮定を必要とする。 アイソトニックベルマンキャリブレーションに基づく新しいプラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2025-01-12T20:35:28Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• Nearly Minimax Optimal Reinforcement Learning for Linear Markov Decision Processes [80.89852729380425]
  そこで本研究では,最小限の最小残差である$tilde O(dsqrtH3K)$を計算効率よく実現したアルゴリズムを提案する。 我々の研究は線形 MDP を用いた最適 RL に対する完全な答えを提供する。
  論文  参考訳（メタデータ） (2022-12-12T18:58:59Z)
• Reward-Free Model-Based Reinforcement Learning with Linear Function Approximation [92.99933928528797]
  エピソードマルコフ決定過程(MDP)に対する線形関数近似を用いたモデルに基づく無報酬強化学習について検討する。 計画段階では、特定の報酬関数が与えられ、探索フェーズから収集したサンプルを使用して良い政策を学ぶ。 任意の報酬関数に対して$epsilon$-optimal Policyを得るには,最大$tilde O(H4d(H + d)epsilon-2)$ episodesをサンプリングする必要がある。
  論文  参考訳（メタデータ） (2021-10-12T23:03:58Z)
• Learning to extrapolate using continued fractions: Predicting the critical temperature of superconductor materials [5.905364646955811]
  人工知能(AI)と機械学習(ML)の分野では、未知のターゲット関数 $y=f(mathbfx)$ の近似が共通の目的である。 トレーニングセットとして$S$を参照し、新しいインスタンス$mathbfx$に対して、このターゲット関数を効果的に近似できる低複雑さの数学的モデルを特定することを目的としている。
  論文  参考訳（メタデータ） (2020-11-27T04:57:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。