High-Dimensional Asymptotics of Prediction: Ridge Regression and Classification
预测的高维渐近理论：岭回归与分类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：摘要研究一般回归与分类预测风险，未涉及宏观预测、时间序列或金融收益预测，不能仅凭预测一词归类。
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
预测的高维渐近理论：岭回归与分类
- 研究问题
- 在维度与样本量同比增长、特征可以相关的稠密随机效应模型中，岭回归和正则化判别分析的预测风险由哪些因素决定？
- 方法与思路
- 作者利用随机矩阵理论，在维度样本比趋于正有限常数的框架中，推导依赖特征协方差谱、信号强度及维度样本比的极限风险。
- 材料陈述的贡献
- 摘要称，两类方法具有可高效计算的显式极限风险表达，并揭示协方差谱对分类精度的复杂影响及固定信号下预测与估计风险的反向关系。
- 阅读关注点
- 应核对随机效应和协方差谱的条件、正则化参数与风险的定义，以及极限公式能否反映有限样本误差和非随机效应设定。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整假设或风险公式，不能将稠密模型结论直接推广至稀疏信号。
原文摘要
We provide a unified analysis of the predictive risk of ridge regression and regularized discriminant analysis in a dense random effects model. We work in a high-dimensional asymptotic regime where $p, n \to \infty$ and $p/n \to γ\in (0, \, \infty)$, and allow for arbitrary covariance among the features. For both methods, we provide an explicit and efficiently computable expression for the limiting predictive risk, which depends only on the spectrum of the feature-covariance matrix, the signal strength, and the aspect ratio $γ$. Especially in the case of regularized discriminant analysis, we find that predictive accuracy has a nuanced dependence on the eigenvalue distribution of the covariance matrix, suggesting that analyses based on the operator norm of the covariance matrix may not be sharp. Our results also uncover several qualitative insights about both methods: for example, with ridge regression, there is an exact inverse relation between the limiting predictive risk and the limiting estimation risk given a fixed signal strength. Our analysis builds on recent advances in random matrix theory.