Spectral Dependence of Convex Regularization: Fundamental Limits under Right-Rotationally Invariant Designs
凸正则化的谱依赖：右旋转不变设计下的基本极限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：摘要研究高维回归与凸正则化的一般风险理论，没有明确对应所列经济或金融领域细分的应用依据。
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…
关注这篇论文的作者
凸正则化的谱依赖：右旋转不变设计下的基本极限
- 研究问题
- 在高维线性回归中，右旋转不变设计矩阵的完整奇异值分布如何影响凸正则化估计的渐近风险下界及其可达性？
- 方法与思路
- 作者以 Bayes VAMP 的风险建立凸惩罚最小二乘的下界，并分析每个固定 λ>0 下的扰动估计及极限谱分布排序。
- 材料陈述的贡献
- 摘要称，结果刻画下界何时可达，放宽既有扰动分析的限制，并揭示完整谱分布如何支配凸正则化的风险极限。
- 阅读关注点
- 应核对设计矩阵与信号的假设、风险及谱排序的定义、下界可达条件，以及固定扰动强度结果如何进入证明。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明具体正则条件、谱排序定义及证明细节，不能据此判断普遍适用性。
原文摘要
We study the fundamental limits of convex-regularized estimation in high-dimensional linear regression with right-rotationally invariant design matrices. We show that the asymptotic risks of convex-penalized least squares estimators are lower bounded by the risk of an approximate message passing algorithm known as Bayes VAMP, and we further characterize when the lower bound is attainable. As a technical ingredient in the proof of our lower bound theorem, we characterize the asymptotic performance of the $\ell_2$-perturbed convex estimator for every fixed perturbation strength $λ>0$. This closes a gap in the literature, in which $λ$ was required to be sufficiently large or restrictions were imposed on the class of convex estimators. The benefit of our approach is that we can conduct a direct analysis of the spectrum's impact on the lower bound in the high-dimensional limit. In particular, we can show that the lower bound is monotone in an ordering on the limiting spectral distributions of the design matrix. These results isolate how the full singular-value distribution of the design---not merely the aspect ratio or average measurement strength---governs the limitations of convex regularization.