Universality of High-Dimensional Logistic Regression and a Novel CGMT under Dependence with Applications to Data Augmentation
高维逻辑回归的普适性与依赖结构下的新CGMT及其在数据增强中的应用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：摘要讨论高维逻辑回归的渐近风险、高斯普适性与CGMT等理论计量问题，未涉及所给领域细分中的因果推断、面板、离散选择、时间序列或金融计量等具体方向，故不选择细分领域。
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…
高维逻辑回归的普适性与依赖结构下的新CGMT及其在数据增强中的应用
- 研究问题
- 摘要称，既有高维比例体制下的精确渐近风险结果依赖数据为独立随机向量的假设；本文研究在协变量与观测存在依赖（如块依赖、m-依赖及部分混合情形）时，高维逻辑回归的普适性与风险刻画是否仍然成立。
- 方法与思路
- 作者提出将高斯普适性与凸高斯极小极大定理（CGMT）推广到依赖情形：证明在块依赖、m-依赖及特殊混合条件下高维逻辑回归仍具高斯普适性，并建立可容纳协变量与观测间相关性的新CGMT框架，据此分析数据增强对渐近风险的影响。
- 材料陈述的贡献
- 摘要明确陈述的贡献有两项：一是把高斯普适性从独立数据推广到若干依赖结构下的高维逻辑回归；二是建立允许协变量与观测同时相关的新CGMT框架，并用其刻画数据增强对渐近风险的影响。
- 阅读关注点
- 阅读全文时应核对：依赖结构的具体定义与正则条件、普适性结论的适用范围与误差阶、新CGMT的识别假设与证明路线，以及数据增强结论所依赖的模型设定和风险度量是否与摘要一致。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明细节与数值表现，也无法确认结论在更一般依赖结构下的适用性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Over the last decade, a wave of research has characterized the exact asymptotic risk of many high-dimensional models in the proportional regime. Two foundational results have driven this progress: Gaussian universality, which shows that the asymptotic risk of estimators trained on non-Gaussian and Gaussian data is equivalent, and the convex Gaussian min-max theorem (CGMT), which characterizes the risk under Gaussian settings. However, these results rely on the assumption that the data consists of independent random vectors--an assumption that significantly limits its applicability to many practical setups. In this paper, we address this limitation by generalizing both results to the dependent setting. More precisely, we prove that Gaussian universality still holds for high-dimensional logistic regression under block dependence, $m$-dependence and special cases of mixing, and establish a novel CGMT framework that accommodates for correlation across both the covariates and observations. Using these results, we establish the impact of data augmentation, a widespread practice in deep learning, on the asymptotic risk.