首页|期刊导航|应用数学|双重分割大规模高维数据下的Expectile回归分布式模型平均

双重分割大规模高维数据下的Expectile回归分布式模型平均OA

中文摘要

针对大规模高维数据在分布式环境中的“维度灾难”与“通信瓶颈”,本文研究Expectile回归的分布式模型平均方法.在“样本横向分散、特征纵向分组”的双重分割架构下,高维推断被转化为可并行求解的低维子问题.为降低通信成本,构造与全局经验风险一阶一致的替代损失,使工作节点每轮仅上传梯度信息.理论上,建立权重估计的非渐近统计–通信误差界,刻画局部样本量、候选模型数与通信轮数对收敛的影响.数值模拟和Allstate保险理赔数据分析表明,所提方法在重尾误差与长尾数据下能稳定降低测试Expectile风险,性能接近集中式基准,为海量高维金融和保险数据的分布式建模提供了支持.

金佳宝;赵燕芬

武汉大学数学与统计学院,湖北武汉430072武汉大学数学与统计学院,湖北武汉430072

数理科学

Expectile回归模型平均双重分割数据分布式学习

《应用数学》 2026 (4)

P.1270-1278,9

国家自然科学基金(12371274)。

评论