A Goodness-of-Fit Assessment for General Learning Procedures in High Dimensions
高维一般学习程序的拟合优度评估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：摘要讨论通用高维学习器的拟合检验，未指明宏观预测、收益预测或其他所列细分场景。
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
高维一般学习程序的拟合优度评估
- 研究问题
- 面对未知的数据生成机制，如何评估使用高维预测变量的黑箱学习程序是否充分拟合，并适用于不同类型的学习器？
- 方法与思路
- 作者采用数据分割，在训练集拟合学习器，再于测试集考察残差的累积协方差，构造面向高维预测变量的拟合优度检验。
- 材料陈述的贡献
- 摘要称，该检验适用于从线性回归到神经网络的多类学习程序，并通过大量模拟及三个真实数据分析展示效果。
- 阅读关注点
- 应核对检验原假设如何定义、累积协方差的构造与校准、数据分割的影响，以及不同误设情形下的检验功效。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；原假设、理论有效性条件和最优表现的判断标准未说明，不能推断刊本变化。
原文摘要
Black-box learners have demonstrated remarkable success across various fields due to their high predictive accuracy. However, the complexity of their learning procedures poses significant challenges in evaluating whether a given learner has achieved optimal performance on datasets with unknown data-generating mechanisms. We propose a general goodness-of-fit test for assessing different learning procedures involving high-dimensional predictors, encompassing methods from classical linear regression to advanced neural networks. Our goodness-of-fit test leverages data-splitting, utilizing the test set to evaluate the black-box learner trained on the training set. By examining the cumulative covariance of the residuals, our method can effectively handle high-dimensional predictors. Extensive simulations and three real data analyses validate the effectiveness of our method.