多项式时间下，凸约束下的近优估计算法

这篇论文解决了在凸约束下统计模型中估计参数的问题，这是机器学习和统计学中的常见场景。关键贡献是开发了多项式时间算法，在这些约束下实现了近乎最优的性能（就极小极大风险而言）。这很重要，因为它弥合了统计最优性和计算效率之间的差距，而这通常是一个权衡。论文侧重于类型2凸体，并将其扩展到线性回归和鲁棒的重尾设置，扩大了其适用性。使用well-balanced条件和Minkowski gauge访问表明了一种实用的方法，尽管需要仔细考虑具体的假设。

• •开发了用于在凸约束下进行近优极小极大均值估计的多项式时间算法。
• •侧重于具有特定正则性条件（well-balanced，Minkowski gauge访问）的中心对称、类型2凸体。
• •将方法扩展到线性回归和鲁棒的重尾设置。
• •提供了一个通用框架，用于在保持计算易处理性的同时实现近优统计性能。