两篇最新的arXiv预印本论文探讨了用于非同分布数据的高维岭回归，突破了独立同分布样本的标准假设。论文引入了方差剖面模型来分析岭估计器的预测风险，特别关注了双下降现象。研究人员利用随机矩阵理论和算子值自由概率的工具，推导了风险和自由度的渐近等价式，并通过数值实验验证了他们的发现，并强调了异质方差剖面如何改变泛化行为。 AI
影响 这些论文推进了对回归模型的理论理解，可能通过阐明非标准数据分布下的泛化特性，为未来AI发展提供信息。
排序理由 该集群包含两篇在arXiv上发表的学术论文，详细介绍了统计机器学习方面的理论进展。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2403.20200v5 Announce Type: replace-cross Abstract: High-dimensional linear regression has been thoroughly studied in the context of independent and identically distributed data. We propose to investigate high-dimensional regression models for independent but non-identicall…
arXiv:2504.03035v2 Announce Type: replace Abstract: Random feature ridge regression is often analyzed in the high-dimensional regime under the homogeneous sampling model $x_i=\Sigma^{1/2}x_i'$, where the vectors $x_i'$ have iid entries and the same covariance matrix $\Sigma$ is s…