A Theory of Feature Learning in Kernel Models
核模型中的特征学习理论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：摘要讨论核岭回归与特征学习的理论性质，属于机器学习理论，与所列微观计量、宏观计量和金融计量细分方向均无直接文本对应，故不选择任何领域细分。
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…
关注这篇论文的作者
核模型中的特征学习理论
- 研究问题
- 研究在预测器作用于输入的可学习线性变换的复合核岭回归中，特征学习如何发生；当响应仅通过低维预测子空间依赖输入时，线性变换的全局最优解是否能够识别并消除与该子空间正交的方向。
- 方法与思路
- 作者提出一个复合核岭回归变体，其中预测器施加于输入的可学习线性变换之上，并分别分析总体目标与有限样本目标的全局极小值性质，考察其是否消除正交方向并精确识别低维子空间。
- 材料陈述的贡献
- 摘要称，当响应仅通过低维预测子空间依赖输入时，线性变换的总体目标所有全局极小值都会消除与该子空间正交的方向，在某些情形下能精确识别该子空间；有限样本目标的全局极小值也以高概率继承相同的低维结构，且无需对线性变换施加显式惩罚。
- 阅读关注点
- 阅读全文时应核对：低维预测子空间的具体定义与识别条件；“某些情形”指哪些参数或样本量区间；有限样本结果的高概率界依赖哪些假设；总体与有限样本目标极小值唯一性或等价类的讨论；以及结论对核函数与正则化设定的依赖。
- 阅读边界
- 这是 arXiv 预印本（版本 4），未经同行评审，不能据此声称已被期刊接收或获得验证。摘要未说明具体识别假设、定理条件、样本量阶数、证明技术及数值实验，因此无法仅凭摘要判断结论的适用范围与稳健性。
原文摘要
We study feature learning in a compositional variant of kernel ridge regression in which the predictor is applied to a learnable linear transformation of the input. When the response depends on the input only through a low-dimensional predictive subspace, we show that all global minimizers of the population objective for the linear transformation annihilate directions orthogonal to this subspace, and in certain regimes, exactly identify the subspace. Moreover, we show that global minimizers of the finite-sample objective inherit the exact same low-dimensional structure with high probability, even without any explicit penalization on the linear transformation.