一项新的研究论文探讨了受限特征值（RE）边界的局限性，这对于范数正则化估计器的稳定恢复至关重要。研究表明，对于重尾设计，这些边界成立所需的样本量不遵循与高斯测量相同的规律。具体而言，论文显示，具有固定小球常数的恒定宽度多面体下降锥在高达环境维度一半的每个样本路径上可能具有零经验RE。该研究量化了此类场景下最坏情况的样本复杂度，表明与高斯设计相比，样本需求存在显著差异。 AI
影响 这项研究可能会影响依赖范数正则化估计器的机器学习算法的理论理解和实际应用，尤其是在处理非高斯数据分布时。
排序理由 该集群包含一篇发表在arXiv上的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Banerjee et al.
- Restricted Eigenvalues Beyond Gaussian Width: Threshold Occupancy under Heavy Tails
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
