High-dimensional asymptotics of prediction: Ridge regression and classification
预测的高维渐近理论：岭回归与正则化判别分析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。
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：摘要研究通用高维回归与分类风险，未涉及宏观预测、金融收益预测或其他所列具体方向。
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…
关注这篇论文的作者
预测的高维渐近理论：岭回归与正则化判别分析
- 研究问题
- 当变量数与样本量同步增长时，岭回归和正则化判别分析的预测风险如何受特征协方差谱、信号强度及维样比影响？
- 方法与思路
- 作者在稠密随机效应模型中采用随机矩阵理论，允许特征间任意协方差，分析维样比趋于正数时的极限预测风险。
- 材料陈述的贡献
- 摘要称，两种方法均有可高效计算的极限风险表达，并揭示协方差谱的细致影响及线性模型预测风险与估计风险的反向关系。
- 阅读关注点
- 应核对随机效应与协方差谱的技术条件、风险定义和计算方式，以及所谓精确反向关系的表达及其适用范围。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未说明全部矩条件、有限样本误差或调参细节；不能将极限关系推广至任意数据和预测任务。
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 $p/n\to\gamma>0$, 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 $\gamma$. 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 an exact inverse relation between the limiting predictive risk and the limiting estimation risk in high-dimensional linear models. The analysis builds on recent advances in random matrix theory.