Simultaneous analysis of approximate leave-one-out cross-validation and mean-field inference
近似留一交叉验证与平均场推断的同步分析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：摘要内容属于高维统计与统计学习理论中的交叉验证与平均场推断分析，未涉及所给因果推断、面板、时间序列、资产定价等应用领域细分，故不选择任何领域。
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
近似留一交叉验证与平均场推断的同步分析
- 研究问题
- 摘要称，本文研究在高维比例渐近框架下，近似留一交叉验证（ALO-CV）能否一致地估计正则化估计量的泛化误差，尤其是在正则项不可微的情形下。
- 方法与思路
- 作者提出一种新的分析路径：在高斯协变量与强凸性假设下，借助条件化论证，证明 ALO-CV 权重与平均场推断中对应量之间的差异很小，并结合平均场估计与留一量之间的上界完成论证。
- 材料陈述的贡献
- 摘要称，本文给出了不可微正则项下 ALO-CV 一致性的证明，说明 ALO-CV 可在可忽略误差范围内逼近留一量，并明确处理了平方损失线性模型、稳健线性回归与单指标模型。
- 阅读关注点
- 阅读全文时应核对：强凸性与高斯协变量假设的具体形式及适用范围；条件化论证与上界推导的细节；不可微正则项的处理方式；三类模型结论各自的附加条件；误差项的确切阶数。
- 阅读边界
- 仅凭摘要无法判断证明的完整性与正确性，也无法得知误差项的具体阶数、模拟或实证表现，以及结论对假设放松的稳健性。该文为 arXiv 预印本，未经同行评审验证，不应据此声称已被期刊接收。
原文摘要
Approximate Leave-One-Out Cross-Validation (ALO-CV) is a method that has been proposed to estimate the generalization error of a regularized estimator in the high-dimensional regime where dimension and sample size are of the same order, the so-called ``proportional regime''. A new analysis is developed to derive the consistency of ALO-CV for non-differentiable regularizers under Gaussian covariates and strong convexity. Using a conditioning argument, the difference between the ALO-CV weights and their counterparts in mean-field inference is shown to be small. Combined with upper bounds between the mean-field inference estimate and the leave-one-out quantity, this provides a proof that ALO-CV approximates the leave-one-out quantity up to negligible error terms. Linear models with square loss, robust linear regression and single-index models are explicitly treated.