样本量翻倍！重尾数据下MoIU估计器浓度界突破O(n^{-1/4})，达到最优O(n^{-1/2})速率
On Finite-sample Concentration of Median of Incomplete U-Statistics
📖 AI 总结
本文研究了不完整U统计量中位数（MoIU）估计器的有限样本集中界。中位数均值（MoM）方法在重尾分布下能实现近亚高斯收敛率，但将其推广到不完整U统计量时，此前仅获得O(n^{-1/4})的松散界。作者证明了MoIU估计器的有限样本集中界可达到O(n^{-1/2})，与样本量呈理想比例。研究进一步将结果推广至不同块采样方案，包括跨块无放回选择数据对的场景，突破了常规的块间独立性假设。此外，作者运用类似技术将证明扩展至向量值核的几何中位数集中性。该工作填补了MoIU理论分析的空白，为计算效率更高的不完整U统计量方法提供了理论保障，对重尾分布下的参数估计具有重要价值。
🔑 关键词速览
| Median-of-means (MoM) | 一种鲁棒统计方法，通过将数据分成多个块并取各块均值的中位数，来估计总体均值，适用于重尾分布。 |
| Incomplete U-statistics | 一种U-统计量的变体，仅基于部分数据子集计算，以降低计算成本，但可能影响统计性质。 |
| Finite-sample concentration | 在有限样本量下，估计器与其期望值之间的偏差概率界限，用于评估估计器的可靠性。 |
| McDiarmid's inequality | 一种用于有界差异函数的浓度不等式，常用于独立随机变量的函数，但在此处直接应用会得到较松的界。 |
| Geometric median | 在向量空间中，使到各样本点欧氏距离之和最小的点，是均值在多维空间中的鲁棒替代。 |
📱 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