Risk Equivalence between RKHS Regression and Sequence Models for Lipschitz Spectral Algorithms
Lipschitz 谱算法下 RKHS 回归与序列模型的风险等价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：摘要提供核回归与序列模型的一般风险理论，没有明确对应所列经济、宏观或金融细分领域的研究对象。
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…
Lipschitz 谱算法下 RKHS 回归与序列模型的风险等价
- 研究问题
- 核谱估计的风险能否与使用相同滤波器的高斯序列估计渐近等价，从而显式揭示正则化、噪声、总体谱和目标系数的作用？
- 方法与思路
- 作者为一类谱滤波器建立核回归与高斯序列模型的风险等价，再利用序列模型的显式风险刻画核谱算法的表现。
- 材料陈述的贡献
- 摘要称等价结果覆盖多种谱算法及固定维、高维情形，并据此恢复极小极大上界速率、建立 RKHS 回归的精确 Pinsker 常数。
- 阅读关注点
- 应核对风险等价的精确定义、滤波器与谱的条件、维度增长限制，以及精确常数结果对应的函数类和噪声设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未具体列出“温和假设”、误差控制或函数类，不能据此推广精确常数结论。
原文摘要
Kernel spectral algorithms are often summarized by convergence rates, which hide how their risk depends jointly on regularization, noise, the population spectrum, target coefficients, and the chosen filter. Gaussian sequence models arise as a simplified but characteristic setting for studying the interplay of these factors, where the kernel spectral algorithm corresponds to a coordinatewise shrinkage estimator. Under mild assumptions, we show that the risk of a kernel spectral estimator is asymptotically equivalent to that of the corresponding Gaussian sequence model estimator with the same filter. The explicit sequence model risk then yields a full characterization of the risk of kernel spectral algorithms in terms of the population spectrum, target coefficients, and filter. We establish this equivalence for a broad class of spectral filters, covering kernel ridge regression, generalized ridge regression, iterated kernel ridge regression, gradient flow, stable gradient descent, smoothed spectral cutoff, spectral clipping, and Pinsker shrinkage. Our risk equivalence not only holds in the classical fixed-dimensional regime but also applies to the high dimensional regime where the input dimension scales with the sample size. As applications, our risk equivalence recovers the minimax upper rates, and establishes the exact Pinsker constant in RKHS regression.