Wahkon: A Statistically Principled Deep RKHS Superposition Network
Wahkon：具有统计原则的深度RKHS叠加网络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：摘要内容为深度RKHS网络的统计学习理论与方法，未涉及因果推断、面板、时间序列、资产定价等所列计量领域细分，故不选择任何子领域。
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
Wahkon：具有统计原则的深度RKHS叠加网络
- 研究问题
- 摘要称，深度学习预测能力强但缺乏有限样本保证与校准不确定性，而基于RKHS的方法虽有保证却难以适应高维；因此问题是如何在深度组合中同时获得可计算的训练、显式复杂度控制与统计保证。
- 方法与思路
- 作者提出Wahkon，将Kolmogorov叠加原理与Wahba平滑样条传统的RKHS正则化结合，给出有限维深度表示定理以支持训练，并用度量熵论证推导极小极大最优收敛率，说明深度、宽度与光滑性的权衡。
- 材料陈述的贡献
- 摘要称其建立了有限维深度表示定理，使训练可行并提供逐层复杂度控制；证明惩罚估计量等价于分层高斯过程先验下的MAP估计，将样条/GP对偶推广到深度组合；并在模拟基准与单细胞CITE-seq研究中报告优于MLP、NTK与KAN。
- 阅读关注点
- 应核对深度表示定理的成立条件与维数假设、MAP等价所需的先验与似然设定、极小极大率所依赖的光滑性类别与度量熵论证细节，以及实证比较的数据规模、调参与计算成本是否公平。
- 阅读边界
- 仅凭摘要无法判断定理证明的严谨性、假设的现实性、实证可复现性与统计显著性；摘要未说明具体收敛率数值、网络规模、基准设置及CITE-seq分析细节。该文为arXiv预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
Deep learning excels at prediction but often lacks finite-sample guarantees and calibrated uncertainty; RKHS (Reproducing Kernel Hilbert Space)-based methods provide those guarantees but struggle to adapt in high dimensions. We propose Wahkon, a deep RKHS superposition network that unifies Kolmogorov's superposition principle with RKHS regularization in the smoothing-spline tradition of Wahba. This yields a finite-dimensional deep representer theorem that makes training tractable and provides explicit layerwise complexity control. We show the penalized estimator is exactly the MAP (maximum a posteriori) estimate under a hierarchical Gaussian-process prior, extending the spline/GP duality to deep compositions. Using metric-entropy arguments, we establish minimax-optimal convergence rates under mild smoothness and clarify how depth and width trade off with regularity. Empirically, Wahkon outperforms multilayer perceptrons, Neural Tangent Kernels, and Kolmogorov--Arnold Networks across simulation benchmarks and a single-cell CITE-seq study. By unifying Kolmogorov's superposition principle with RKHS regularization, Wahkon delivers accuracy, interpretability, and statistical rigor in a single framework.