本文对具有随机特征的核岭回归（KRR-RF）进行了全面分析，重点关注其在一般条件下的性能，包括模型误设和重尾噪声。该研究改进了现有的最坏情况统一界限，在轻尾噪声设置下实现了最小最大最优学习率。此外，它通过采用希尔伯特值Fuk-Nagaev不等式将这些最优结果扩展到重尾噪声，表明鲁棒性的额外成本是样本量要求稍强一些。研究结果表明，KRR-RF在误设设置下可以在弱矩条件下达到最小最大最优，这是该领域的一项新贡献，并通过数值实验和真实世界数据分析得到了验证。 AI
影响 为机器学习应用中更鲁棒、更高效的核方法提供了理论基础。
排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了机器学习算法的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]
- heavy-tailed noise
- Hilbert-valued Fuk-Nagaev inequality
- Kernel Ridge Regression
- KRR-RF
- misspecified models
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
