噪声数据下函数回归预测误差逼近最优，两步法提速还抗噪！
Optimal estimation for Functional Linear Regression with Noisy Discretized Data
📖 AI 总结
本文研究函数型线性回归模型在现实采样条件下的估计问题，即功能协变量在规则网格上观测并受加性噪声污染。作者提出两步估计流程：首先利用基于傅里叶的投影方法从离散含噪观测中重建潜在曲线，随后在有限维三角空间上通过惩罚最小二乘准则估计斜率函数，并采用数据驱动方式选择模型维度。研究建立了预测误差的Oracle型不等式，分别针对重建曲线和真实潜在曲线给出理论保证。在斜率函数正则性假设及协变量特征值多项式衰减条件下，推导出预测误差的收敛速度，并证明当网格点数量足够大时，所提估计量达到极小极大最优速率。方法通过模拟数据和真实气象数据集进行了验证，展示了实际应用效果。
🔑 关键词速览
| scalar-on-function linear regression | 一种回归模型，其中响应变量为标量，预测变量为函数型数据。 |
| Fourier-based projection method | 利用傅里叶基函数对函数进行投影和重建的方法。 |
| penalized least-squares | 在最小二乘目标函数中加入惩罚项以避免过拟合的估计方法。 |
| oracle-type inequalities | 与理想估计器（预言机）比较的误差上界不等式，用于评估估计器的性能。 |
| minimax rate | 在给定函数类中，所有估计器中最优的最坏情况收敛速度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅