Minimax Optimal Kernel Operator Learning via Multilevel Training
通过多层训练实现极小极大最优核算子学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主体是一般函数空间中的算子学习理论，仅列举因果推断等用途，不足以归入给定细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过多层训练实现极小极大最优核算子学习
- 研究问题
- 在两个无限维 Sobolev 再生核希尔伯特空间之间学习 Hilbert–Schmidt 算子时，统计精度的极限是什么，如何兼顾可计算性？
- 方法与思路
- 作者建立 Sobolev Hilbert–Schmidt 范数下的信息论下界，并依据偏差与方差轮廓选择谱成分，进一步设计多层核算子算法。
- 材料陈述的贡献
- 摘要称，适当的谱正则化可以达到最优学习速率，轮廓之间的谱成分提供算法设计空间，所提多层算法对线性算子学习最优。
- 阅读关注点
- 应核对空间与算子类别的限制、下界和最优速率所依赖的条件，以及谱轮廓规则如何转化为可实现的多层训练程序。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出具体速率、采样条件和复杂度，不能推广其最优性范围。
原文摘要
Learning mappings between infinite-dimensional function spaces has achieved empirical success in many disciplines of machine learning, including generative modeling, functional data analysis, causal inference, and multi-agent reinforcement learning. In this paper, we study the statistical limit of learning a Hilbert-Schmidt operator between two infinite-dimensional Sobolev reproducing kernel Hilbert spaces. We establish the information-theoretic lower bound in terms of the Sobolev Hilbert-Schmidt norm and show that a regularization that learns the spectral components below the bias contour and ignores the ones that are above the variance contour can achieve the optimal learning rate. At the same time, the spectral components between the bias and variance contours give us flexibility in designing computationally feasible machine learning algorithms. Based on this observation, we develop a multilevel kernel operator learning algorithm that is optimal when learning linear operators between infinite-dimensional function spaces.