PulseAugur
中
实时 10:46:42
English(EN) Characterization of Gaussian Universality Breakdown in High-Dimensional Empirical Risk Minimization

新理论表征高维ERM中高斯普适性失效

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的理论框架，以理解统计学习模型在非高斯数据下的行为。该研究将凸高斯极小极大定理推广到分析高维经验风险最小化，为估计量的均值和协方差等关键统计量提供了渐近表征。这项工作阐明了经验风险最小化中高斯普适性的边界，并为正则化器的渐近等价性提供了见解。 AI

排序理由 这是一篇发表在arXiv上的理论论文，详细介绍了一种新的统计方法。[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 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Chiheb Yaakoubi, Cosme Louart, Malik Tiomoko, Zhenyu Liao ·

    高维经验风险最小化中高斯普适性失效的表征

    arXiv:2604.03146v2 Announce Type: replace Abstract: We study high-dimensional convex empirical risk minimization (ERM) under general non-Gaussian data designs. By heuristically extending the Convex Gaussian Min-Max Theorem (CGMT) to non-Gaussian settings, we derive an asymptotic …

相关话题