Characterizing the Generalization Error of Random Feature Regression with Arbitrary Data-Augmentation
任意数据增强下随机特征回归的泛化误差刻画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：摘要讨论随机特征回归的泛化误差与数据增强正则化，属于机器学习理论方向，与所列微观、宏观、金融计量细分领域均无直接文本对应，故不选择。
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…
任意数据增强下随机特征回归的泛化误差刻画
- 研究问题
- 研究在协变量数量与样本量成比例的高维比例渐近框架下，数据增强对监督回归方法产生的正则化效应，以及如何刻画其测试误差。
- 方法与思路
- 作者提出对均方误差意义下的测试误差给出紧致刻画，仅用真实数据的总体量以及增强方案的一阶与二阶统计量表示；结果允许特征映射存在误设，适用于仅训练最后一层读出层、其余网络冻结或随机初始化的任意网络结构，并在高斯数据情形下具体化。
- 材料陈述的贡献
- 摘要称给出了比例渐近下随机特征回归测试误差的紧致刻画，覆盖误设特征映射与任意数据增强方案，并在高斯数据设定下说明该渐近刻画是紧的。
- 阅读关注点
- 阅读全文时应核对：比例渐近的具体假设与极限条件、增强方案一阶二阶统计量的定义、误设特征映射与冻结/随机初始化网络的条件、高斯情形下紧性的证明方式，以及结论是否依赖特定数据分布。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明有限样本表现、非高斯数据的适用性、具体收敛速率与常数，也未给出数值实验或与其他方法的比较。
原文摘要
This paper aims at analyzing the regularization effect that data augmentation induces on supervised regression methods in the proportional regime, where the number of covariates grows proportionally to the number of samples. We provide a tight characterization of the test error, measured in mean squared error, in terms only of the population quantities of the true data, as well as first and second order statistics of the augmentation scheme. Our results are valid under misspecified feature maps, and for any network architecture where only the last readout layer is trained, and the rest of the network is either frozen or randomly initialized. We specify our results in the case of Gaussian data, and show that our asymptotic characterization is tight in this setting.