首页/论文/0802.0349

arXiv 0802.03492008-02-04math.PR

通过主测量（通用链接）确定随机场最大分布的精确指数界

Exact exponential bounds for the random field maximum distribution via the majoring measures (generic chaining)

E. Ostrovsky, E. Rogover

备注：: 18 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文用主测度或一般链的方法给出了随机场最大分布尾部的非渐近精确指数估计。

英文摘要：

In this paper non-asymptotic exact exponential estimates are derived for the tail of maximum distribution of random field in the terms of majoring measures or, equally, generic chaining.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于经典和一般链方法的最小条件下MLE偏差的渐近指数界

Asymptotic exponential bounds for MLE deviation under minimal conditions via classical and generic chaining methods

在本文中，非渐近精确的指数估计（在最小条件下）的尾部的偏差的MLE分布在所谓的自然条款：自然函数，自然距离，度量熵，巴拿赫空间的随机变量，对比功能，优化措施，或同样，一般的链接。

2009-03-24math.PR

次指数随机矩阵谱范数的尾界

Tail Bounds on the Spectral Norm of Sub-Exponential Random Matrices

本文针对矩阵元独立但非同分布的对称随机矩阵，利用兼顾链式集合结构与单位球面坐标分布的新颖链式论证，建立了次指数矩阵元情形下谱范数的上尾界。

2023-08-19math.PR

连续函数空间中独立随机场赋范和指数紧性的充分条件

Sufficient conditions for exponential tightness of normed sums of independent random fields in the space of continuous functions

本文提出并证明了一类独立同分布（i.i.d.）随机场定义在度量紧集上的连续函数空间中。我们将使用熵方法以及通过优化措施（通用链接）的现代方法。

2014-03-28math.PR

张量值随机过程的尾界

Tail Bounds for Tensor-valued Random Process

为了研究高维随机过程，提出了随机张量值随机过程的概念。在这项工作中，我们首先尝试应用一个通用的链接方法来推导TRP的上确界的所有p阶矩的尾界。首先建立了指数尾过程上确界的尾界，并进一步导出了指数尾过程上确界的尾界。我们将这些界限应用于高维压缩感知和经验过程表征。

2023-02-01math.OAmath.PR

使用深度神经网络估计多维Lévy驱动的随机微分方程的漂移项

Drift Estimation for a Multi-Dimensional Lévy-Driven Stochastic Differential Equation Using Deep Neural Networks

The University of Tokyo（东京大学）

本文用稀疏ReLU神经网络估计多维Lévy驱动随机微分方程的漂移项，在弱集中条件下获得与扩散模型同阶的统计界，并证明估计器在极小极大意义下最优。

2026-10-08math.PRmath.STstat.TH

具有对数凹尾的典型过程的主控测度

Majorizing Measures for Canonical Processes with Log-Concave Tails

Shandong University（山东大学）

本文针对具有对数凹尾的独立对称随机变量，在无Δ2条件下给出了典型过程期望上确界的维数无关刻画，由尺度依赖内在成本控制，统一了Talagrand高斯与Bednorz-Latała伯努利主控测度定理，并证明新几何的必要性。

2026-09-15math.PR

更多相关论文收起更多论文

实例依赖的统一尾界用于经验过程

Instance-dependent uniform tail bounds for empirical processes

本文提出了一种基于函数个体偏差而非最坏情况偏差的经验过程统一尾界，通过引入初始消减步骤改进标准泛化链论证，结合Talagrand γ函数的推广复杂性和函数实例偏差，提供更通用的尾界估计。

2026-03-26math.PRmath.STstat.ML

随机过程上确界的Bernstein型不等式及其在非高斯回归模型选择中的应用

A Bernstein-type inequality for suprema of random processes with applications to model selection in non-Gaussian regression

设$\pa{X_{t}}_{t\in T}$是一族由可数集$T$索引的实值中心随机变量。在本文的第一部分中，我们使用Talagrand（2005）中引入的一般链接设备建立上确界$Z=\sup_{t\in T}X_{t}$的偏差概率的指数界。与集中型不等式相比，这些界提供了在更弱的条件下保持$\pa{X_{t}}_{t\in T}$族的优势。本文的第二部分是面向统计。我们考虑回归设置$Y=f+\eps$，其中$f$是$\R^{n}$的未知向量，而$\eps$是一个随机向量，其分量是独立的，居中的，并允许在0的邻域内进行有限拉普拉斯变换。我们的目的是估计$f$的观测$Y$之间的一组线性子空间的$\R^{n}$的模型选择方法。我们提出的选择过程是基于最小化的惩罚标准的惩罚是校准通过使用本文的第一部分中建立的偏差范围。更确切地说，我们研究了当$t$在$\R^{n}$的线性子空间的单位球之间变化时，形式为$X_{t}=\sum_{i=1}^{n}t_{i}\eps_{i}$的随机变量的上确界。最后，我们证明了我们的估计满足一些预言型不等式适当的假设下的度量结构的线性空间的集合。

2009-09-10math.PRmath.STstat.TH

用变分原理求独立矩阵与单张量和的无偏界

Dimension-free Bounds for Sums of Independent Matrices and Simple Tensors via the Variational Principle

研究了独立$d$与$d$随机矩阵之和的偏差不等式，以及秩为1的随机张量的偏差不等式.我们的重点是在非各向同性的情况下，并不明确地依赖于尺寸$d$的界限，而是对有效的秩。本文以初等而统一的方式证明了以下结果：1）独立半正定矩阵和的偏差界。该结果补充了Koltchinskii和Lounici [Bernoulli，2017]在亚高斯情况下对样本协方差阵的无量纲界。2)截断协方差阵的一个新的界，用于证明Adamczak，Litvak，Pajor和Tomczak-Jaegermann [Journal Of Amer. Math. Soc.，2010]在对数凹情况下的样本协方差阵上。3)由次高斯或对数凹随机向量构成的秩为1的随机张量和的算子范数的无扰动界。这补充了Guédon和Rudelson [Adv. in Math.，2007年]。4)Alesker结果的非各向同性版本[Geom. Asp.的Funct。肛门，1995]关于次指数随机向量范数的偏差。5)本文给出了重尾项半正定矩阵和的无量纲尾下界，改进了Oliveira [Prob. Th.和Rel。Fields，2016]。我们的方法是基于熵和矩母函数之间的对偶公式。与已知的无量纲界限的证明，我们避免了Talagrand的优化措施定理，以及经验过程的通用链接界限。我们的一些工具是由O。Catoni和合著者在稳健统计估计的背景下。

2022-05-26math.PRmath.STstat.TH

尾感知信息论泛化用于RLHF和SGLD

Tail-Aware Information-Theoretic Bounds for LLM Alignment under Heavy-Tailed Rewards

Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高精尖创新中心）；Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院）；Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）；Computer and Mathematical Sciences, Computer Science, and Statistics, University of Toronto（多伦多大学计算机与数学科学、计算机科学和统计学系）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）

本文提出一种尾依赖信息论框架，用于处理亚韦尔bull数据，通过移位对数f_θ-分歧来界定制换测度期望，从而在重尾数据下获得更精确的泛化界限。

2026-08-04cs.AIcs.LGmath.PR