The Geometry of Statistical Feature Learning in Mean-Field Langevin Dynamics
平均场朗之万动力学中统计特征学习的几何结构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：摘要内容属于统计学习理论与随机动力学的几何分析，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
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…
平均场朗之万动力学中统计特征学习的几何结构
- 研究问题
- 摘要称，论文研究监督回归中统计特征学习的几何刻画问题：如何用底-纤维分解描述训练产生的特征侧几何与执行估计的学习特征空间，并分析球形平均场朗之万动力学的相应性质。
- 方法与思路
- 作者提出将特征学习表述为底-纤维分解，并把球形平均场朗之万动力学视为负熵正则化经验风险的 Wasserstein 梯度流；在高斯多指标与单指标模型下分析低温平稳分布的集中行为与诱导特征空间。
- 材料陈述的贡献
- 摘要称证明了该几何性质，并给出高斯多指标模型中低温平稳分布集中于隐藏指标、形成多尖峰结构并以高概率实现参数恢复，集中现象在温度 λ≈1 处有急剧转变；单指标模型中平稳测度满足集中性质，奇偶性决定其位于 S_2^{d-1} 或 RP^{d-1}，诱导特征空间对齐回归信号并给出 d/N 与 Md/N 速率（至对数因子）。
- 阅读关注点
- 阅读全文时应核对底-纤维分解的精确定义与证明条件、Wasserstein 梯度流框架的适用假设、温度阈值 λ≈1 的推导、多尖峰与参数恢复结论的适用范围，以及 d/N 与 Md/N 速率的正则性与维数条件。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度与结论的一般性；摘要未说明数值实验、有限样本表现及与其他方法的比较。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 introduce a geometric formulation of statistical feature learning for supervised regression. Feature learning is defined through a base--fiber decomposition: the base is the feature-side geometry produced by training, and the fiber is the learned feature space where estimation is performed. We prove this property for spherical mean-field Langevin dynamics, viewed as the Wasserstein gradient flow of a negative entropy-regularized empirical risk. In Gaussian multi-index models, the low-temperature stationary distribution concentrates near the hidden indices, forms a multi-spike structure, and yields parameter recovery with high probability, even though negative entropy regularization penalizes concentration. This concentration has a sharp transition at temperature $λ\asymp 1$. In Gaussian single-index models, the stationary measure satisfies a concentration property, with parity determining whether it lives on $S_2^{d-1}$ or $\mathbb{RP}^{d-1}$. The induced learned feature space aligns the regression signal and yields rates $d/N$ and $Md/N$, up to logarithmic factors.