分位数回归适合异方差和尾部不对称的数据，但经典离线推断在大规模、流式场景里既耗算力也耗内存。现有在线推断多只有渐近保证，分布理论还常要求次指数尾。这篇 arXiv 论文把随机次梯度下降（SSGD）配上常数学习率，试图把在线分位数回归推进到有限样本高斯近似，并给出一套不必估计协方差矩阵的推断流程。材料仅有摘要，下文严格按摘要陈述，不外推未给出的数字。
离线难、渐近也不够
离线分位数回归要把数据攒齐再算，流式到达时存储和计算都会迅速膨胀。已有在线工作能边到边更新，但理论停在渐近，尾部条件偏强：次指数尾在工资、损失、延迟这类数据上并不总成立。作者因此把目标定为更弱的有限矩假设，并坚持常数步长——递减步长更贴近经典随机逼近，却不太适合一直进来的数据流。摘要把这条路径说得很明确：先给 SSGD 本身的分布理论，再处理平均方式，最后落到可运行的推断。
后缀平均，而不是直接 Polyak 平均
核心技术结果有两块。一是为常数学习率 SSGD 证明 quenched 中心极限定理，以及有限样本高斯近似，矩条件只要求有限矩，弱于次指数尾。二是指出一个容易被忽略的失败模式：常数步长下的 Ruppert-Polyak 平均会留下不消失的偏差，不能以总体目标为中心满足 CLT。作者改用后缀平均（suffix averaging），并为它建立有限样本高斯近似。基于上述近似，他们给出一种在线推断方法，明确避免协方差估计。数值实验在摘要中只被概括为经验覆盖率表现良好、相对其他推断方法有竞争力；作者还把方法用到美国工资数据上做了实际演示。覆盖率具体数值、对比方法和样本量摘要均未给出，此处不加猜测。
我的判断
这篇工作的价值很具体：把常数步长、较弱矩条件、有限样本高斯近似和免协方差估计捆在同一套在线分位数回归流程里，针对的是“必须分位数、必须流式、还想要区间”的场景，而不是再发一篇递减步长的渐近 CLT。对开发者而言，若业务是实时定价、风控分位、薪酬或延迟监控，理论方向是对口的。适用边界也清楚：摘要没有给出后缀窗口怎么选、常数步长怎么定、非平稳流是否成立，实验结论只能当方向性证据。局限同样直白——这是统计理论驱动的论文，工程复杂度、实现细节和覆盖率的真实幅度都要等全文；若你的数据可以 batch 离线算完，经典方法可能更省事。材料不足处保持保守：不要把“覆盖率良好”读成已经可上生产的标定结果。