High-dimensional analysis of ridge regression for non-identically distributed data with a variance profile
方差轮廓下非独立同分布数据岭回归的高维分析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：摘要讨论高维回归的随机矩阵理论与预测风险，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分方向。
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…
方差轮廓下非独立同分布数据岭回归的高维分析
- 研究问题
- 摘要称，高维线性回归此前多在独立同分布数据下研究，本文要考察观测特征为具有方差轮廓、维度按比例增长的随机矩阵时，独立但非独立同分布数据的高维回归问题。
- 方法与思路
- 作者提出在随机效应模型下研究岭估计的预测风险，利用带方差轮廓的随机矩阵理论工具，给出该风险与岭估计自由度的确定性等价，并进行数值实验验证。
- 材料陈述的贡献
- 摘要称，作者给出预测风险与岭估计自由度的确定性等价；对某类方差轮廓，当岭正则参数趋于零时最小范数最小二乘估计会出现双下降现象，并给出预测风险形状不同于双下降的方差轮廓。
- 阅读关注点
- 应核对方差轮廓与随机效应模型的具体设定、确定性等价的假设条件与渐近比例关系、双下降出现的方差轮廓类别，以及数值实验与独立同分布标准情形的异同。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明具体识别假设、定理条件、证明细节与数值结果大小，不能据此判断结论的一般性与稳健性。
原文摘要
High-dimensional linear regression has been thoroughly studied in the context of independent and identically distributed data. We propose to investigate high-dimensional regression models for independent but non-identically distributed data. To this end, we suppose that the set of observed predictors (or features) is a random matrix with a variance profile and with dimensions growing at a proportional rate. Assuming a random effect model, we study the predictive risk of the ridge estimator for linear regression with such a variance profile. In this setting, we provide deterministic equivalents of this risk and of the degree of freedom of the ridge estimator. For certain class of variance profile, our work highlights the emergence of the well-known double descent phenomenon in high-dimensional regression for the minimum norm least-squares estimator when the ridge regularization parameter goes to zero. We also exhibit variance profiles for which the shape of this predictive risk differs from double descent. The proofs of our results are based on tools from random matrix theory in the presence of a variance profile that have not been considered so far to study regression models. Numerical experiments are provided to show the accuracy of the aforementioned deterministic equivalents on the computation of the predictive risk of ridge regression. We also investigate the similarities and differences that exist with the standard setting of independent and identically distributed data.