均值估计的最优性：超越最糟情况、超越子高斯、超越 $1+α$ 矩

原文约2000字，阅读约需5分钟。发表于：。

在研究中，我们发现对于任何分布，没有合理的估计器能够在渐近情况下超过次高斯的误差率，匹配最坏情况的结果。我们引入了一个新的定义框架来分析算法的细粒度最优性，称之为 ' 邻域最优性 '，其中介于 ' 实例最优性 ' 和' 可接受性 ' 定义之间。

研究人员探讨了均值估计的问题，发现没有合理的估计器能够在渐近情况下超过次高斯的误差率。他们引入了一个新的定义框架来分析算法的最优性，称之为'邻域最优性'。文章提供了解决重尾均值估计问题的方法，并介绍了相关的研究成果。