11:42
官方账号arXiv cs.LG@Lorenzo Rizzi, Arie Wortsman Zurich, Bruno Loureiro
推荐理由：这篇论文揭示了数据各向异性如何影响核脊回归的学习曲线，对理解高维机器学习理论有重要价值。
kernel ridge regression
共 1 条相关 AI 资讯
8月31日
11:42
该研究分析了各向异性高斯数据下的核脊回归，其中输入协方差以指数α≥0的幂律衰减。研究推导出核谱和泛化误差的渐近精确表达式，揭示了各向异性如何重塑学习曲线。对于弱各向异性(0<α<1)，问题保持高维特性，方差在整数样本复杂度κ∈N处达到峰值，但随α增长而逐渐减弱。对于强各向异性(α>1)，问题有效维度恒定，方差不再依赖样本量。