跳转至

Statistical Inference for Linear Functionals of Online Least-Squares SGD When t ≳ d 1+δ

作者: Bhavya Agrawalla, Krishnakumar Balasubramanian, Promit Ghosal
来源: IEEE Transactions on Information Theory
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://doi.org/10.1109/tit.2025.3635118


一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是:在高维线性回归中,如何对在线随机梯度下降(SGD)迭代量的线性泛函进行统计推断(构造置信区间)。具体而言,数据维度 \(d\) 与迭代次数 \(t\) 同步增长,目标是建立非渐近的高斯近似(Berry–Esseen 界),使得基于 SGD 迭代量构造的置信区间在有限样本下具有理论保证。该方向处于"优化算法"与"统计推断"的交叉地带,当前成熟度属于快速发展的前沿——已有大量关于 SGD 收敛性的工作,但关于其不确定性量化(尤其在高维增长框架下)的研究相对较少,本文是这一方向的重要推进。

发展脉络

  • 奠基工作:SGD 的统计推断可追溯到 [20, 26, 58] 等经典工作,它们建立了固定维度下 SGD 迭代量的渐近正态性。这些工作奠定了"SGD 迭代量可作为估计量"的理论基础,但仅适用于 \(d\) 固定的情形。
  • 主要进展(非渐近 CLT):近年来,[2, 62] 在光滑强凸设定下建立了 SGD 的非渐近 Berry–Esseen 界,但它们的框架要求噪声条件方差不依赖于迭代历史,且维度增长受限(\(d = o(t^{1/4})\) 或 \(o(t^{1/2})\))。[24, 25, 59, 38, 60, 71] 进一步将非渐近 CLT 推广到线性随机逼近(LSA)问题,但作者在 Appendix I 中逐一追踪了这些工作的维度依赖项,发现它们在增长维度下均只能达到 \(t \gtrsim d^2\) 至 \(t \gtrsim d^{10}\) 的较弱标度。
  • 当前 frontier(高维推断):在高维线性回归的推断方面,[16](Chang, Kuchibhotla, Rinaldo)是最近的标杆工作,它在"假设精简"(assumption-lean)框架下对投影参数建立了 Berry–Esseen 界,达到了 \(t \gtrsim d^{3/2}\) 的维度标度。但该方法基于普通最小二乘估计量(OLSE),需要显式构造并反转经验协方差矩阵,计算代价为 \(O(td^2 + d^3)\)。
  • 本文的位置:作者指出,OLSE 的误差分解中有一个高阶余项 \(R \sim \sqrt{t}|a|\|\hat{A}-A\|^2_{op}\),其量级为 \(|a|(d^{3/2}/t)\),这正是 [16] 需要 \(t \gtrsim d^{3/2}\) 的根本原因。本文转而分析在线 SGD 迭代量,利用其天然的鞅差序列结构,通过鞅 CLT 工具(而非 OLSE 的代数分解)获得更优的维度标度 \(t \gtrsim d^{1+\delta}\)(任意 \(\delta > 0\)),同时将计算代价降至 \(O(td)\) 时间与 \(O(d)\) 内存。

子线索聚类

  1. SGD 收敛性与隐式正则化([1, 68, 74, 70, 19]):研究 SGD 迭代量的收敛速率与泛化性质,关注点在于预测误差而非统计推断。本文的推断结果可视为对这类工作的补充——不仅收敛,而且收敛量的分布可近似。
  2. SGD 的渐近/非渐近 CLT([2, 62, 24, 25, 59, 38, 60, 71]):直接研究 SGD 迭代量的波动性,但大多限于固定维度或较弱的维度增长。本文的核心贡献在于将维度标度推进到近最优的 \(t \gtrsim d^{1+\delta}\)。
  3. 高维线性回归的推断([16] 及引用):关注投影参数 \(\langle a, \beta^*\rangle\) 的置信区间构造,但基于批量估计量(OLSE)或去偏 Lasso 等,计算代价高。本文提供了一种在线、单遍扫描数据的替代方案。

这个方向在追问的核心问题

  1. 维度标度的最优性:在增长维度下,保证 CLT 有效所需的最小迭代次数 \(t\) 与维度 \(d\) 的关系是什么?本文给出 \(t \gtrsim d^{1+\delta}\),并声称这是近最优的(因为 \(t \gtrsim d\) 是参数估计的平凡下界)。
  2. 计算效率与统计效率的权衡:能否在不牺牲推断有效性的前提下,将计算代价从 \(O(td^2 + d^3)\) 降至 \(O(td)\)?本文给出了肯定的回答。
  3. 方差估计的在线化:CLT 中的渐近方差如何在线估计?本文提出基于子采样的在线方差估计器,并建立了高概率偏差界。

⚠️ 作者的 framing(这是作者的说法)

作者将本文定位为"首个完全在线、数据驱动的 SGD 置信区间构建框架",并强调其维度标度 \(t \gtrsim d^{1+\delta}\) 相比 [16] 的 \(t \gtrsim d^{3/2}\) 是"显著改进"。作者将改进归因于 SGD 迭代量的鞅结构,认为这比 OLSE 的代数分解"更自然"地适配鞅 CLT 工具。作者在 Appendix H 中详细对比了两种方法,指出 OLSE 的误差分解中高阶余项是维度标度的瓶颈,而 SGD 的鞅表示天然规避了这一瓶颈。

值得注意的淡化:作者在 Remark 2 中承认常数依赖 \(e^{pK}\) 可能很大,但未深入讨论这是否会影响实际应用中的有限样本表现。此外,作者对 [16] 的对比主要聚焦于维度标度,未详细讨论两种方法在常数因子、假设强度(如矩条件阶数)上的差异。

张力

未见明显对立引用。不过,[2, 62] 的框架假设噪声条件方差恒定,而本文处理的 SGD 噪声方差依赖于迭代历史,这一差异导致 [2, 62] 的结果无法直接应用——作者在 Appendix I 中明确指出这一点,并以此作为本文方法必要性的论据。这属于"设定不同导致结论不同"的张力,而非直接矛盾。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

  • 数据生成:观测数据为独立同分布样本 \(\{(X_i, Y_i)\}_{i=1}^t\),其中 \(X_i \in \mathbb{R}^d\) 为协变量,\(Y_i \in \mathbb{R}\) 为响应。模型为误设定线性回归(misspecified linear regression),即不假设 \(Y = X^\top \beta^* + \epsilon\) 中的 \(\epsilon\) 与 \(X\) 独立,只定义

    \[\beta^* := \arg\min_{\theta \in \mathbb{R}^d} \mathbb{E}[(Y - \langle X, \theta\rangle)^2], \quad \epsilon := Y - X^\top \beta^*.\]
    这里 \(\beta^*\) 是投影参数(population projection coefficient),是我们要推断的目标。

  • 关键矩阵与量:

  • \(A := \mathbb{E}[XX^\top] \in \mathbb{R}^{d \times d}\):总体协方差矩阵(假设正定)。
  • \(A_\sigma := \mathbb{E}[\epsilon^2 XX^\top] \in \mathbb{R}^{d \times d}\):加权协方差矩阵。
  • \(\bar{\lambda} := \sup_{|u|=1} \mathbb{E}[|u^\top X|^4]^{1/2}\):四阶矩上界。
  • \(\sigma := \mathbb{E}[\epsilon^4]^{1/4}\):噪声的四阶矩。
  • \(\sigma_{\min} := \lambda_{\min}(A_\sigma)^{1/2}\):\(A_\sigma\) 的最小特征根平方根。

  • 算法(在线 SGD):给定初始值 \(\theta_0 \in \mathbb{R}^d\),步长 \(\eta_i = \frac{\eta}{\sqrt{d} i^\alpha}\)(\(\alpha \in (1/2, 1)\)),迭代更新:

    \[\theta_i = \theta_{i-1} + \eta_i X_i (Y_i - \langle X_i, \theta_{i-1}\rangle), \quad i = 1, \dots, t.\]
    最终估计量为最后一步迭代量 \(\theta_t\)(last iterate),而非迭代平均。

  • 目标 estimand:对给定方向 \(a \in \mathbb{R}^d\)(\(\|a\|=1\)),推断线性泛函 \(\langle a, \beta^*\rangle\)。我们关心的是 \(\langle a, \theta_t\rangle\) 与 \(\langle a, \beta^*\rangle\) 的偏差的分布。

  • 可观测数据:研究者实际能观测到的是样本 \(\{(X_i, Y_i)\}_{i=1}^t\) 以及由 SGD 算法计算出的迭代序列 \(\{\theta_i\}_{i=1}^t\)。不可观测的是 \(\beta^*\)、\(A\)、\(A_\sigma\) 等总体量,需要通过数据估计。

第二步:最小内核

核心问题:\(\langle a, \theta_t\rangle\) 的分布是否近似正态?以多快的速度逼近?

最小设定:考虑最简单的情形——\(d=1\)(一维),\(X_i\) 为标量,\(A = \mathbb{E}[X^2] = 1\)(归一化),\(\epsilon_i = Y_i - X_i\beta^*\) 与 \(X_i\) 独立(此时 \(\beta^*\) 就是真实回归系数)。SGD 更新为:

\[\theta_i = \theta_{i-1} + \eta_i X_i (Y_i - X_i \theta_{i-1}) = (1 - \eta_i X_i^2)\theta_{i-1} + \eta_i X_i Y_i.\]

关键观察:将 \(\theta_t\) 围绕 \(\beta^*\) 展开:

\[\theta_t - \beta^* = \prod_{i=1}^t (1 - \eta_i X_i^2)(\theta_0 - \beta^*) + \sum_{i=1}^t \eta_i \left(\prod_{j=i+1}^t (1 - \eta_j X_j^2)\right) X_i \epsilon_i.\]

第一项(初始偏差)以指数速度衰减(因为 \(\eta_i \to 0\) 且 \(\mathbb{E}[X^2]=1\),乘积趋于 0)。第二项是鞅差序列的部分和:

\[M_t = \sum_{i=1}^t \eta_i \left(\prod_{j=i+1}^t (1 - \eta_j X_j^2)\right) X_i \epsilon_i.\]

为什么这是最小内核:本文的全部技术工作,本质上是在回答"这个鞅差序列的部分和 \(M_t\) 是否满足 Berry–Esseen 界,以及界如何依赖于 \(d\) 和 \(t\)"。具体来说:

  1. 鞅结构:\(M_t\) 是鞅差序列的部分和,因为 \(\mathbb{E}[X_i \epsilon_i | \mathcal{F}_{i-1}] = \mathbb{E}[X_i \epsilon_i] = 0\)(利用 \(\epsilon\) 与 \(X\) 独立及 \(\beta^*\) 的定义)。
  2. 方差计算:条件方差 \(\mathbb{E}[M_i^2 | \mathcal{F}_{i-1}]\) 可以显式计算,主项为 \(\sum_{i=1}^t \eta_i^2 \mathbb{E}[(X_i \epsilon_i)^2] \approx \eta^2 d^{-1} \sum_{i=1}^t i^{-2\alpha} \approx \eta^2 d^{-1} t^{1-2\alpha}\)。
  3. Berry–Esseen 界:利用鞅 CLT 的 Berry–Esseen 定理(如 [33]),需要控制条件方差与总方差的偏差(即 \(\|V^2(M)-1\|_p\))以及鞅差序列的矩(\(\sum_i \|M_i\|_{2p}^{2p}\))。这正是本文 Appendix D 的核心内容。

为什么难:难点在于 \(M_i\) 中的系数 \(\prod_{j=i+1}^t (1 - \eta_j X_j^2)\) 是随机变量,且与 \(X_i, \epsilon_i\) 相关(因为 \(X_j\) 与 \(X_i\) 独立,但 \(\eta_j\) 依赖于 \(j\))。控制这个随机乘积的矩需要精细的递推分析(Lemma D.3),这是本文技术贡献的核心。

结论:在一维情形下,本文的 Berry–Esseen 界退化为 \(\sup_{\gamma} |P((\theta_t - \beta^*)/\sqrt{\text{Var}(\theta_t)} \le \gamma) - \Phi(\gamma)| \lesssim (d/t^{2\alpha})^{p/(8p+4)}\),其中 \(p\) 是矩阶数。当 \(t \gtrsim d^{1+\delta}\) 时,该界趋于 0。

推广到高维:高维情形的额外困难在于,\(A\) 的特征值分布和 \(a\) 与特征基的关系会影响常数。本文通过假设 \(\lambda_{\min}(A) > 0\) 和四阶矩条件来控制这些量,最终得到与一维情形相同的标度 \(t \gtrsim d^{1+\delta}\)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在高维线性回归(\(d\) 随 \(t\) 增长)中,为在线最小二乘 SGD 迭代量的线性泛函 \(\langle a, \theta_t\rangle\) 建立非渐近 Berry–Esseen 界,使得基于 SGD 的置信区间在 \(t \gtrsim d^{1+\delta}\)(任意 \(\delta > 0\))下有效。
  2. 核心工具/方法:将 \(\langle a, \theta_t\rangle\) 表示为鞅差序列的部分和,利用鞅 CLT 的 Berry–Esseen 定理([33]),结合随机矩阵乘积的矩控制(Lemma D.3)和在线方差估计器(Theorem 3.1),实现完全在线、数据驱动的推断。
  3. 主要结论:在假设精简(assumption-lean)的矩条件下,SGD 迭代量的线性泛函满足高斯近似,误差界为 \(O((d/t^{2\alpha})^{p/(8p+4)})\);方差估计器的相对误差为 \(O((\sigma^2/\sigma_{\min}^2)(\log t + \log d)^3 d^{1/4} t^{-(1-\alpha)/2})\)。这改进了 [16] 的 \(t \gtrsim d^{3/2}\) 标度至 \(t \gtrsim d^{1+\delta}\),同时计算代价从 \(O(td^2 + d^3)\) 降至 \(O(td)\) 时间与 \(O(d)\) 内存。

关键设定与假设

  • 数据:\(\{(X_i, Y_i)\}_{i=1}^t\) 独立同分布,\(X \in \mathbb{R}^d\),\(Y \in \mathbb{R}\)。
  • 模型:误设定线性回归,\(\beta^* := \arg\min_\theta \mathbb{E}[(Y - \langle X, \theta\rangle)^2]\),\(\epsilon := Y - X^\top\beta^*\)。
  • 矩条件(Assumption 2.1):
  • \(\lambda_{\min}(A) > 0\)(协方差非退化)。
  • \(\mathbb{E}[\epsilon^4] < \infty\) 且 \(\mathbb{E}[(u^\top X)^4] < \infty\) 对所有单位向量 \(u\) 一致有界(四阶矩条件)。
  • \(\lambda_{\min}(A_\sigma) > 0\)(加权协方差非退化),其中 \(A_\sigma := \mathbb{E}[\epsilon^2 XX^\top]\)。
  • 步长 \(\eta_i = \eta / (\sqrt{d} i^\alpha)\),\(\alpha \in (1/2, 1)\),且 \(\eta \bar{\lambda} < C\)(步长上界)。
  • 初始偏差 \(|\beta^* - \theta_0|\) 至多多项式增长:\(|\beta^* - \theta_0|^2 / (\eta \sigma^2) < (td)^C\)。
  • 维度增长条件:\((\log t + \log d)^2 d^{1/2} t^{-(1-\alpha)} \to 0\) 且 \((\log t + \log d)^2 d^{1/2} t^{-\alpha} \to 0\)。

相比 [16] 的放宽/强化: - 放宽:本文不要求 \(X\) 的分布有界或次高斯,只需四阶矩条件(与 [16] 的假设类似,但本文明确允许 \(d\) 增长更快)。 - 强化:本文要求 \(\lambda_{\min}(A_\sigma) > 0\)([16] 也要求类似条件),但本文额外要求 \(\eta \bar{\lambda} < C\)(步长上界),这是 SGD 分析特有的。

主要结果

定理 2.1(Berry–Esseen 界):在 Assumption 2.1 下,对任意 \(2 \le p \le p_{\max}\),

\[\sup_{\gamma \in \mathbb{R}} \left| P\left(\frac{\langle a, \theta_t\rangle - \langle a, \beta^*\rangle}{\sqrt{\text{Var}(\langle a, \theta_t\rangle)}} \le \gamma\right) - \Phi(\gamma) \right| \le C \left( \frac{d}{t^{2\alpha}} \right)^{\frac{p}{8p+4}}.\]
其中 \(C\) 是绝对常数(可能依赖 \(p, \eta, \bar{\lambda}, \sigma/\sigma_{\min}\) 等)。

定理 3.1(在线方差估计):定义基于子采样的在线方差估计器 \(\hat{V}_t\),则

\[\mathbb{E}\left|\frac{\hat{V}_t - \text{Var}(\langle a, \theta_t\rangle)}{\text{Var}(\langle a, \theta_t\rangle)}\right| \le C \frac{\sigma^2}{\sigma_{\min}^2} (\log t + \log d)^3 d^{1/4} t^{-(1-\alpha)/2}.\]
结合定理 2.1,得到数据驱动的置信区间:\([\langle a, \theta_t\rangle \pm z_{1-\gamma/2} \sqrt{\hat{V}_t}]\) 的覆盖概率至少为 \(1-\gamma - o(1)\)。

定理 3.2(方差主项):\(\text{Var}(\langle a, \theta_t\rangle) = (1+E) \eta d^{-1/2} t^{-\alpha} \sum_{k,k'} a_k a_{k'} [A_\sigma]_{k,k'} / (\lambda_k + \lambda_{k'})\),其中 \(|E| \le C(\log t + \log d)^2[d^{1/2} t^{-(1-\alpha)} + \sigma^2 \sigma_{\min}^{-2} d^{1/2} t^{-\alpha}]\)。

证明路线与技术技巧

整体路线(5 步):

  1. 鞅表示:将 \(\langle a, \theta_t\rangle - \langle a, \beta^*\rangle\) 表示为鞅差序列的部分和(Lemma A.2),利用 SGD 更新的线性结构。
  2. 方差主项计算:利用 \(A\) 的特征分解,将方差 \(\text{Var}(\langle a, \theta_t\rangle)\) 分解为主项(\(\eta d^{-1/2} t^{-\alpha} \sum a_k a_{k'} [A_\sigma]_{k,k'}/(\lambda_k+\lambda_{k'})\))和余项(Theorem 3.2)。
  3. 矩控制:核心难点在于控制随机乘积 \(\prod_{j=i+1}^t (1 - \eta_j X_j X_j^\top)\) 的矩。Lemma D.3 通过递推分析证明 \(\mathbb{E}|u_i|^{2p} \le C^p e^{-2p\eta\lambda_{\min}(A) d^{-1/2} \sum_{j=i+1}^t j^{-\alpha}} |a|^{2p}\),即随机乘积以指数速率衰减。
  4. 鞅 CLT 应用:利用 [33] 的 Berry–Esseen 定理,将问题归结为控制条件方差偏差 \(\|V^2(M)-1\|_p\) 和鞅差矩 \(\sum_i \|M_i\|_{2p}^{2p}\)。前者由 Theorem 3.2 给出,后者由 Lemma D.3 和矩条件控制。
  5. 方差估计:设计基于子采样的在线方差估计器,利用块独立性将估计误差分解为偏差项和方差项,分别用 Theorem 3.2 和矩条件控制。

关键技术技巧: - 随机矩阵乘积的矩控制(Lemma D.3):这是全文最核心的技术引理。通过将 \(\mathbb{E}|u_i|^{2p}\) 的递推关系转化为对 \(\lambda_{\max}(\mathbb{E}[(I - \eta_i X_i X_i^\top)^{\otimes p}])\) 的估计,利用 \(p\) 阶张量幂的谱范数控制,得到指数衰减界。 - 子采样方差估计:将数据分成若干块,每块独立估计方差,再取平均。这避免了直接估计 \(\text{Var}(\langle a, \theta_t\rangle)\) 的困难(因为 \(\theta_t\) 依赖全部数据),同时保证了估计器的在线性(单遍扫描)。 - 偏差-方差分解:在方差估计器的分析中,将误差分解为"用 \(\beta^*\) 代替 \(\theta_{t/2}\) 的偏差"和"子采样带来的方差",分别用 Theorem 3.2 和矩条件控制。

真实例子与应用

本文没有真实数据实验,属于纯理论贡献。作者在 Remark 5 中给出了置信区间宽度的理论保证:宽度为 \(O(\sigma \sqrt{\eta} |a| d^{-1/4} t^{-\alpha/2})\),并指出在 \(t \gtrsim d^{1+\delta}\) 时趋于 0。作者在结论中提出两个潜在应用方向: 1. 算法预测区间:对新的测试点 \(a\),构造 \(\langle a, \beta^*\rangle\) 的预测区间,用于在线学习中的不确定性量化。 2. 特征显著性检验:选择 \(a = e_i\)(第 \(i\) 个坐标),检验 \(\beta^*_i = 0\),即在线 SGD 框架下的特征显著性检验。

🔎 结论是否比证明窄

是,存在明显的不匹配。具体表现:

  1. 定理 2.1 的常数依赖:定理陈述中 \(C\) 依赖 \(p, \eta, \bar{\lambda}, \sigma/\sigma_{\min}\) 等,但未给出显式表达式。作者在 Remark 2 中承认 \(C\) 可以增长为 \(e^{pK}\),但未讨论这是否会影响实际应用。这意味着定理的"非渐近"性质在常数层面可能很弱。

  2. 方差估计的覆盖概率:定理 3.1 只给出了 \(\hat{V}_t\) 的相对误差界,但没有直接给出置信区间的覆盖概率下界。作者声称"结合定理 2.1 得到覆盖概率至少 \(1-\gamma-o(1)\)",但这一推导需要额外的条件(如 \(\hat{V}_t\) 与 \(\langle a, \theta_t\rangle\) 的独立性),文中未明确验证。

  3. 维度增长条件:Assumption 2.1(vi) 要求 \((\log t + \log d)^2 d^{1/2} t^{-(1-\alpha)} \to 0\)。这意味着 \(t\) 必须远大于 \(d^{1/(2(1-\alpha))}\)。当 \(\alpha\) 接近 1 时,这约等于 \(t \gg d^{1/2}\),与 \(t \gtrsim d^{1+\delta}\) 的声称相比,实际条件更严格(因为 \(1/(2(1-\alpha))\) 可能大于 \(1+\delta\))。作者在 Remark 1 中讨论了 \(\alpha\) 的选择,但未给出最优 \(\alpha\) 的显式表达式。

  4. 误设定模型的推广:作者在引言中声称结果适用于误设定模型,但证明中大量使用了 \(\mathbb{E}[\epsilon X] = 0\) 这一性质(如 Lemma A.2 的推导)。在误设定下,\(\epsilon\) 与 \(X\) 可能相关,此时 \(\beta^*\) 的定义和鞅差性质需要重新验证。作者未明确讨论这一推广的细节。


四、开放问题

  1. 常数优化(扎根于 Remark 2):定理 2.1 中 \(C\) 对 \(p\) 的依赖为 \(e^{pK}\),这在实际中可能很大。能否将常数改进为多项式依赖?这需要更精细的矩控制技术。

  2. 最优 \(\alpha\) 的选择(扎根于 Remark 1):作者给出 \(\alpha \in (1/2, 1)\) 的范围,但未给出最优 \(\alpha\) 的显式表达式。是否存在一个 \(\alpha\) 使得 Berry–Esseen 界在给定 \(t, d\) 下最小?这需要优化一个复杂的权衡表达式。

  3. 方差估计的覆盖概率(扎根于 Theorem 3.1 的证明):定理 3.1 只给出了 \(\hat{V}_t\) 的相对误差界,但未直接给出置信区间的覆盖概率下界。能否建立 \(\hat{V}_t\) 与 \(\langle a, \theta_t\rangle\) 的联合分布收敛,从而直接推导覆盖概率?

  4. 误设定模型的严格处理(扎根于引言):作者声称结果适用于误设定模型,但证明中使用了 \(\mathbb{E}[\epsilon X] = 0\)。在误设定下,\(\beta^*\) 的定义需要修改(例如改为加权最小二乘解),鞅差性质也需要重新验证。这是一个重要的理论缺口。

  5. 非线性泛函的推广(扎根于结论):本文仅处理线性泛函 \(\langle a, \theta_t\rangle\)。对于非线性泛函(如 \(f(\langle a, \theta_t\rangle)\)),需要 Delta 方法或更高阶的展开,这可能需要更强的矩条件和更精细的鞅 CLT。

提示:要确认这些是否是真 gap,建议去读以下近期工作的引言部分: - [16](Chang, Kuchibhotla, Rinaldo)的后续工作(他们是否有改进常数或推广到非线性泛函?) - [38, 60, 71] 的后续工作(他们是否也尝试改进维度标度?) - 关于"在线推断"的近期综述(是否有其他在线方差估计方法?)


Maintained by 陈星宇 · Homepage · Source on GitHub

评论