From Cross-Validation to SURE: Asymptotic Risk of Tuned Regularized Estimators
从交叉验证到 SURE：调参正则化估计量的渐近风险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：摘要讨论通用正则化预测与调参理论，未提供对应具体经济领域细分的证据。
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…
从交叉验证到 SURE：调参正则化估计量的渐近风险
- 研究问题
- 由逐一留出交叉验证选择正则化参数的经验风险最小化估计量，其预测损失如何随真实参数变化，并如何联系收缩估计风险？
- 方法与思路
- 作者将交叉验证调参的渐近预测损失联系到正态均值模型中由 SURE 调参的收缩损失，并分析一致收敛与全局极小值分离。
- 材料陈述的贡献
- 摘要称，该风险函数比最坏情形遗憾界更细致地刻画参数相关表现；全局极小值的分离支持交叉验证所选参数的收敛。
- 阅读关注点
- 应核对正则化估计量的适用范围、渐近缩放、预测损失的分布收敛，以及全局极小值通常分离的准确含义与例外。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未列出正则性条件，也不能据此推断所有交叉验证方案均适用。
原文摘要
We derive the asymptotic risk function of regularized empirical risk minimization (ERM) estimators tuned by $n$-fold cross-validation (CV). The out-of-sample prediction loss of such estimators converges in distribution to the squared-error loss (risk function) of shrinkage estimators in the normal means model, tuned by Stein's unbiased risk estimate (SURE). This risk function provides a more fine-grained picture of predictive performance than uniform bounds on worst-case regret, which are common in learning theory: it quantifies how risk varies with the true parameter. As key intermediate steps, we show that (i) $n$-fold CV converges uniformly to SURE, and (ii) while SURE typically has multiple local minima, its global minimum is generically well separated. Well-separation ensures that uniform convergence of CV to SURE translates into convergence of the tuning parameter chosen by CV to that chosen by SURE.