PulseAugur
中
实时 04:31:12
English(EN) From Cross-Validation to SURE: Asymptotic Risk of Tuned Regularized Estimators

新研究将交叉验证调优与正则化估计量的SURE联系起来

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文提出了一个理论框架，用于理解正则化经验风险最小化（ERM）估计量的性能。研究表明，当使用n折交叉验证（CV）进行调优时，这些估计量的渐近风险收敛于通过Stein无偏风险估计（SURE）调优的收缩估计量的风险函数。这一发现通过量化风险随真实参数的变化情况，超越了统一的最坏情况遗憾界限，从而提供了对预测性能更深入的洞察。 AI

影响 为理解和改进机器学习中的模型调优提供了理论基础。

排序理由 关于机器学习估计量统计理论的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新研究将交叉验证调优与正则化估计量的SURE联系起来

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Karun Adusumilli, Maximilian Kasy, Ashia Wilson ·

    从交叉验证到SURE：调整正则化估计量的渐近风险

    arXiv:2603.20388v2 Announce Type: replace-cross Abstract: We derive the asymptotic risk function of regularized empirical risk minimization (ERM) estimators tuned by $n$-fold cross-validation (CV). The out-of-sample prediction loss of such estimators converges in distribution to …

相关话题