Exact Generalization Error Curves of Kernel Ridge Regression for Functional Moment Estimation
核岭回归用于函数矩估计的精确泛化误差曲线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：摘要讨论核岭回归的函数型数据分析理论与误差展开，属于统计方法理论，未涉及所给微观、宏观或金融计量细分领域的文本依据。
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
核岭回归用于函数矩估计的精确泛化误差曲线
- 研究问题
- 摘要称，本文研究基于带噪离散观测、用张量积核岭回归估计随机函数第 r 阶矩函数时的精确行为，并把均值、协方差与高阶矩估计纳入同一框架。
- 方法与思路
- 作者提出对张量积核岭回归的 L² 误差在每个可行正则化参数处给出 1+o_P(1) 的精确展开，展开由偏差项与三个方差项构成；技术工具是适配函数型观测相依乘积结构的 U 统计量集中不等式。
- 材料陈述的贡献
- 摘要称主要贡献是给出精确误差展开，识别出样本路径间变异、各样本点潜在信号变异与测量误差三个方差来源；并说明当源光滑度 s≤2 时 KRR 达到极小极大速率，而 s>2 的稀疏情形因饱和而次优。
- 阅读关注点
- 阅读全文时应核对：误差展开的成立条件与可行正则化参数范围、三个方差项的具体定义与相对量级、饱和导致次优的具体稀疏机制，以及 U 统计量集中不等式所需假设。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理证明细节、数值表现与适用边界；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Kernel ridge regression is a standard method for functional data analysis, but its exact behavior is less understood. We study tensor-product kernel ridge regression for estimating the $r$-th moment function of a random function based on noisy discrete observations. The formulation includes mean estimation, covariance estimation, and higher-order moment estimation in a single framework. Our main result gives a precise $1+o_{\mathbb{P}}(1)$ expansion for the $L^2$ error at each admissible regularization parameter. The expansion consists of bias and three variance terms corresponding respectively to variation across the independent sample paths, latent signal variation at each sample point, and variation from measurement errors, identifying the refined error structure underlying functional data. As applications, we show that KRR attains the minimax rate for source smoothness $s \leq 2$ but becomes suboptimal in the sparse regime for $s>2$ due to saturation. A technical ingredient is a set of concentration inequalities for $U$-statistics suited to the dependent product structure of functional observations.