Upper Confidence Bounds for the Prediction Error of Kernel Ridge Regression via Gaussian Refitting
核岭回归预测误差的置信上界：基于高斯重拟合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：摘要讨论核岭回归预测误差的置信上界与重拟合方法，属于统计学习与预测推断的一般方法论，未直接对应所提供的因果推断、面板、时间序列或金融等细分领域。
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
核岭回归预测误差的置信上界：基于高斯重拟合
- 研究问题
- 摘要关注如何为单次核岭回归拟合给出可计算的上置信界，以刻画拟合值与未知真值之间的差距；作者指出均值估计忽略实现方差，而标准交叉验证边际受噪声波动限制在 n^{-1/2} 阶。
- 方法与思路
- 作者提出高斯重拟合方法：借助 Anderson 不等式说明拟合位移对噪声幅度单调，从而得到可计算的尾部界；仅假设对称噪声，无需矩条件，并通过次序统计量在任意置信水平上校准。
- 材料陈述的贡献
- 摘要称该界在最坏情形包络下以极小极大速率 O_P(n^{-2s/(2s+1)}) 收缩，与预测误差匹配；实证中数据驱动包络在真实 95% 误差分位数的两倍内保持全覆盖，而交叉验证可超出该分位数数十倍。
- 阅读关注点
- 阅读全文时应核对：Anderson 不等式的具体适用条件与单调性论证、次序统计量校准的有限样本性质、最坏情形包络与数据驱动包络的构造差异，以及实证中覆盖率与分位数比较的设置。
- 阅读边界
- 仅凭摘要无法判断定理的完整识别假设、证明细节、模拟设计、真实数据来源与非线性约束估计器扩展的适用范围；摘要中的速率与倍数比较均为作者陈述，未经独立验证。
原文摘要
Assessing a single model fit requires a computable upper confidence bound for the gap between the fit and the unknown truth, as mean estimates ignore realization variance. Standard cross-validation margins are bottlenecked at order $n^{-1/2}$ by noise fluctuations, even when the true error shrinks faster. While wild refitting cancels this noise level, existing Rademacher sign methods degenerate for kernel ridge regression and rely on unobservable quantities. We propose a Gaussian refit for kernel ridge regression. By Anderson's inequality, the fit movement is monotone in the noise sizes, yielding a computable tail bound. Assuming only symmetric noise, the bound requires no moment assumptions and is calibrated at any confidence level via order statistics. Theoretically, using a worst-case envelope, the bound contracts at the minimax rate $O_P(n^{-2s/(2s+1)})$, correctly matching the prediction error. Empirically, using a practical data-driven envelope, the bound maintains full coverage within twice the true $95\%$ error quantile. By contrast, cross-validation exceeds this quantile by factors up to $51$, and by hundreds under infinite-variance noise. The procedure extends empirically to nonlinear constrained estimators and real spatial data.