非平稳加权风险最小化的快速收敛率

研究者分析了分布漂移下加权经验风险最小化的样本外预测误差，将超额风险分解为学习项与分布漂移误差项，并在混合条件下证明了学习误差的 oracle 不等式。针对平方损失设定，研究给出了结构突变与平滑漂移过程的显式漂移误差界，并扩展至线性模型、基函数逼近和神经网络的（自）回归问题。最优权重展现了学习与漂移之间的偏差-方差权衡，退化至无加权平稳设定时可恢复极小化极大最优收敛率。