在 l_∞ 範數下改善離散分佈估計

研究論文提出，在 l_∞ 範數下估計離散概率分佈的改善界限。這些界限包括最小最大期望界限和高概率尾部界限，對於統計學和機器學習中分佈差異的衡量具有重要意義。論文解決了 Kontorovich 和 Painsky 在 Journal of Machine Learning Research 2025 年文章中提出的一些開放問題，具體包括提供他們所呈現最緊風險界限的完全經驗版本，以及識別最壞情況極端分佈的形式。這意味著研究者開發了一個基於實際數據的風險評估方法，並確定了導致最大估計誤差的分佈類型。此外，研究報告了鼓勵人心的實驗結果，顯示改善後的方法在模擬數據中表現優異，為未來相關理論和應用研究提供了新基礎。