Buchumschlag

Deep regression learning from dependent observations with minimum error entropy principle

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kengne, William, Wade, Modou
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust deep learning from weakly dependent data
von: Kengne, William, et al.
Veröffentlicht: (2024)

A general framework for deep learning
von: Kengne, William, et al.
Veröffentlicht: (2025)

Deep learning from strongly mixing observations: Sparse-penalized regularization and minimax optimality
von: Kengne, William, et al.
Veröffentlicht: (2024)

Minimum discrepancy principle strategy for choosing $k$ in $k$-NN regression
von: Averyanov, Yaroslav, et al.
Veröffentlicht: (2020)

Nonparametric logistic regression with deep learning
von: Yara, Atsutomo, et al.
Veröffentlicht: (2024)

Strong identifiability and parameter learning in regression with heterogeneous response
von: Do, Dat, et al.
Veröffentlicht: (2022)

Minimax optimal transfer learning for high-dimensional additive regression
von: Moon, Seung Hyun
Veröffentlicht: (2025)

Tessellation Localized Transfer learning for nonparametric regression
von: Halconruy, Hélène, et al.
Veröffentlicht: (2026)

Adaptive posterior concentration rates for sparse high-dimensional linear regression with random design and unknown error variance
von: Mai, The Tien
Veröffentlicht: (2024)

Improved learning theory for kernel distribution regression with two-stage sampling
von: Bachoc, François, et al.
Veröffentlicht: (2023)

Dimension-free bounds in high-dimensional linear regression via error-in-operator approach
von: Noskov, Fedor, et al.
Veröffentlicht: (2025)

Bayes optimal learning in high-dimensional linear regression with network side information
von: Nandy, Sagnik, et al.
Veröffentlicht: (2023)

Augmented transfer regression learning for completely missing covariates
von: Zhao, Huali, et al.
Veröffentlicht: (2026)

Adversarial learning for nonparametric regression: Minimax rate and adaptive estimation
von: Peng, Jingfu, et al.
Veröffentlicht: (2025)

Generalization error of min-norm interpolators in transfer learning
von: Song, Yanke, et al.
Veröffentlicht: (2024)

Spike-timing-dependent Hebbian learning as noisy gradient descent
von: Dexheimer, Niklas, et al.
Veröffentlicht: (2025)

Identifiability of the minimum-trace directed acyclic graph and hill climbing algorithms without strict local optima under weakly increasing error variances
von: Chang, Hyunwoong, et al.
Veröffentlicht: (2025)

Statistical Agnostic Regression: a machine learning method to validate regression models
von: Gorriz, Juan M, et al.
Veröffentlicht: (2024)

Predicting path-dependent processes by deep learning
von: Zheng, Xudong, et al.
Veröffentlicht: (2024)

Metric space valued Fréchet regression
von: Györfi, László, et al.
Veröffentlicht: (2026)

On damage of interpolation to adversarial robustness in regression
von: Peng, Jingfu, et al.
Veröffentlicht: (2026)

Dynamical local Fréchet curve regression in manifolds
von: Ruiz-Medina, M. D., et al.
Veröffentlicht: (2025)

Covariate shift in nonparametric regression with Markovian design
von: Trottner, Lukas
Veröffentlicht: (2023)

Variational Bayesian Bow tie Neural Networks with Shrinkage
von: Sheinkman, Alisa, et al.
Veröffentlicht: (2024)

Adaptive sparse variational approximations for Gaussian process regression
von: Nieman, Dennis, et al.
Veröffentlicht: (2025)

Support estimation in high-dimensional heteroscedastic mean regression
von: Hermann, Philipp, et al.
Veröffentlicht: (2020)

Early stopping and polynomial smoothing in regression with reproducing kernels
von: Averyanov, Yaroslav, et al.
Veröffentlicht: (2020)

Outrigger local polynomial regression
von: Young, Elliot H., et al.
Veröffentlicht: (2026)

Finite-sample performance of the maximum likelihood estimator in logistic regression
von: Chardon, Hugo, et al.
Veröffentlicht: (2024)

Minimax rates of convergence for nonparametric regression under adversarial attacks
von: Peng, Jingfu, et al.
Veröffentlicht: (2024)

Parametric Mean-Field empirical Bayes in high-dimensional linear regression
von: Lee, Seunghyun, et al.
Veröffentlicht: (2026)

High-dimensional logistic regression with missing data: Imputation, regularization, and universality
von: Verchand, Kabir Aladin, et al.
Veröffentlicht: (2024)

Canonical correlation regression with noisy data
von: Meza, Isaac, et al.
Veröffentlicht: (2025)

Asymptotic breakdown point analysis of the minimum density power divergence estimator under independent non-homogeneous setups
von: Jana, Suryasis, et al.
Veröffentlicht: (2025)

Contraction rates for conjugate gradient and Lanczos approximate posteriors in Gaussian process regression
von: Stankewitz, Bernhard, et al.
Veröffentlicht: (2024)

Nonparametric regression using over-parameterized shallow ReLU neural networks
von: Yang, Yunfei, et al.
Veröffentlicht: (2023)

On the sample complexity of parameter estimation in logistic regression with normal design
von: Hsu, Daniel, et al.
Veröffentlicht: (2023)

The generalized underlap coefficient with an application in clustering
von: Zhang, Zhaoxi, et al.
Veröffentlicht: (2026)

The curse of overparametrization in adversarial training: Precise analysis of robust generalization for random features regression
von: Hassani, Hamed, et al.
Veröffentlicht: (2022)

Theoretical limits of descending $\ell_0$ sparse-regression ML algorithms
von: Stojnic, Mihailo
Veröffentlicht: (2024)