Asymptotic Optimality of $C_L$ and Generalized Cross-Validation in Ridge Regression with Application to Spline Smoothing
岭回归中 Mallows 准则与广义交叉验证的渐近最优性及样条应用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。
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：摘要研究通用回归调参与样条平滑，未涉及宏观预测或收益预测的具体目标与数据。
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
岭回归中 Mallows 准则与广义交叉验证的渐近最优性及样条应用
- 研究问题
- Mallows 准则与广义交叉验证在岭回归中何时具有渐近最优性，这些结果如何用于样条平滑，又何时可能失效？
- 方法与思路
- 作者利用广义交叉验证与 Stein 无偏风险估计的联系证明渐近最优性，并通过反例讨论失效及特征值变异条件。
- 材料陈述的贡献
- 摘要称在岭回归中建立两种准则的渐近最优性并应用于样条平滑，同时指出广义交叉验证并非总是渐近最优。
- 阅读关注点
- 应核对最优性针对的风险与比较范围、信息矩阵特征值变异系数条件，并检查反例及样条应用的渐近设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出特征值变异条件的精确定义或阈值，不能推出普遍的调参优越性。
原文摘要
The asymptotic optimality of Mallows' $C_L$ and generalized cross-validation is demonstrated in the setting of ridge regression. An application is made to spline smoothing in nonparametric regression. A counterexample is given to help understand why sometimes GCV may not be asymptotically optimal. The coefficient of variation for the eigenvalues of the information matrix must be large in order to guarantee the optimality of GCV. The proff is based on the connection between GCV and Stein's unbiased risk estimate.