Gaussian and non-Gaussian universality of data augmentation
数据增强的高斯与非高斯普适性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：摘要研究通用机器学习数据增强理论，未涉及宏观预测、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…
数据增强的高斯与非高斯普适性
- 研究问题
- 数据增强如何改变估计量的方差与极限分布，其不确定性、正则化作用和双降峰位置为何会随问题设定变化？
- 方法与思路
- 作者以简单替代模型量化增强效应，详细分析若干模型，并将 Lindeberg 技术扩展到分块依赖作为主要理论工具。
- 材料陈述的贡献
- 摘要称增强可能增加不确定性，在部分高维问题中不产生正则化作用，还可能移动双降峰；普适性范围可为高斯或非高斯。
- 阅读关注点
- 应核对替代模型的构造、增强引入的块依赖、普适性成立条件，以及样本量、增强次数与维数如何共同决定结果。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断各项结论的具体模型、条件与幅度；数据增强可能增加不确定性并非对所有增强方法的断言。
原文摘要
We provide universality results that quantify how data augmentation affects the variance and limiting distribution of estimates through simple surrogates, and analyze several specific models in detail. The results confirm some observations made in machine learning practice, but also lead to unexpected findings: Data augmentation may increase rather than decrease the uncertainty of estimates, such as the empirical prediction risk. It can act as a regularizer, but fails to do so in certain high-dimensional problems, and it may shift the double-descent peak of an empirical risk. Overall, the analysis shows that several properties attributed to data augmentation are not either true or false, but rather depend on a combination of factors—notably the data distribution, the properties of the estimator, and the interplay of sample size, number of augmentations and dimension. As our main theoretical tool, we develop an adaptation of Lindeberg’s technique for block dependence. The resulting universality regime may be Gaussian or non-Gaussian.