Regularized Variational and Spectral Log-Density-Ratio Estimation in the Gaussian Location Model
高斯位置模型中正则化变分与谱对数密度比估计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：摘要内容为高斯位置模型下对数密度比估计的高维渐近理论，属于统计与机器学习理论，与所提供的因果推断、面板、时间序列、资产定价等计量领域细分均无直接文本对应，故不选择。
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
高斯位置模型中正则化变分与谱对数密度比估计
- 研究问题
- 摘要研究在高斯位置模型（共同协方差）下，如何对对数密度比进行岭正则化估计，并比较变分估计量与谱估计量的总体风险。
- 方法与思路
- 作者通过仿射不变性把模型写成 q~N(0,I)、p~N(Δ,I) 的线性特征形式；变分估计量为带平方 L2 惩罚的经验 KL 对数归一化拟合，谱估计量用一族岭正则化最小二乘问题替代单个变分问题。在高维观测数与维数同比例趋于无穷时，分别用凸高斯极小极大定理与加权高斯样本协方差矩阵预解式的确定性等价推导极限。
- 材料陈述的贡献
- 摘要称推导出两类正则化估计量的高维确定性渐近等价，并据此比较总体风险：在本文分析的准则与渐近区间下，观测较多时良设定的变分估计量风险更小，观测较少时谱估计量因基于协方差的构造方差更低而更优；还初步研究了核惩罚用于特征学习。
- 阅读关注点
- 阅读全文时应核对：确定性等价成立所需的高维比例与信号假设、正则化参数的选择与优化方式、风险比较所依据的具体准则与渐近区间，以及核惩罚部分被分析到什么程度、哪些结论只是部分分析。
- 阅读边界
- 仅凭摘要无法判断定理的完整识别条件、有限样本表现、正则化参数的实际选取规则与核惩罚结论的适用范围；摘要未说明实验设置细节与证明的完整边界。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We study ridge-regularized log-density-ratio estimation in the Gaussian location model with a common covariance matrix. By affine invariance, the model is written as q $\sim$ N(0, I), p $\sim$ N($Δ$, I), with linear features, where $Δ$ is a mean vector. The variational estimator is the empirical Kullback-Leibler (KL) log-normalized fit with a squared L2-penalty on its nonconstant coefficient, and the spectral estimator recently introduced in [1] replaces a single variational problem by a continuum of ridge-regularized least-squares problems. We derive high-dimensional deterministic asymptotic equivalents when the numbers of observations and dimension tend to infinity with fixed ratios. The regularized variational limit is characterized by a scalar entropy minimization problem derived from the convex-Gaussian-min-max theorem (CGMT), while the regularized spectral limit follows from deterministic equivalents for resolvents of weighted sums of two independent Gaussian sample covariance matrices. We use these formulas to compare population risks, with experiments focused on fixed-signal aspect-ratio sweeps and optimized regularization. Our conclusion is that with many observations, under the criteria and asymptotic regimes analyzed here, the well-specified variational estimator has the smaller risk, while with fewer observations, the spectral estimator is favored because its covariance-based construction has lower variance. We also study how a nuclear penalty can be used and partially analyzed to perform feature learning.