Comparing regularisation paths of (conjugate) gradient estimators in ridge regression
岭回归中（共轭）梯度估计量的正则化路径比较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：摘要讨论岭回归迭代算法的预测误差与正则化路径，属于统计学习与优化理论，未涉及所给微观、宏观或金融领域细分的具体应用或数据结构，故不选择任何细分。
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
岭回归中（共轭）梯度估计量的正则化路径比较
- 研究问题
- 摘要关注线性回归中惩罚岭准则的迭代最小化：标准梯度下降、梯度流与共轭梯度作为迭代算法，其迭代序列的统计性质（尤其是预测风险随迭代的正则化路径）如何比较。
- 方法与思路
- 作者提出一种显式的非标准误差分解，把共轭梯度迭代的预测误差用变换迭代指标下梯度流的对应预测误差来界定，从而将共轭梯度整条正则化路径的风险与梯度流、岭回归等线性方法的路径进行比较。
- 材料陈述的贡献
- 摘要称，借助该误差分解可比较共轭梯度迭代整条正则化路径与梯度流、岭回归路径的风险；并称预言机共轭梯度迭代在常数因子内共享梯度流与岭回归预言机的最优性性质，数值例子显示实践中正则化路径相似。
- 阅读关注点
- 应核对误差分解的具体形式与所需假设、变换迭代指标的定义、常数因子的来源与大小，以及数值例子中路径相似性的设定与范围；并确认最优性结论的精确表述与适用条件。
- 阅读边界
- 仅凭摘要无法判断分解假设是否普遍成立、常数因子的具体取值、数值实验的规模与代表性；摘要未说明证明细节与有限样本性质。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
We consider standard gradient descent, gradient flow and conjugate gradients as iterative algorithms for minimising a penalised ridge criterion in linear regression. While it is well known that conjugate gradients exhibit fast numerical convergence, the statistical properties of their iterates are more difficult to assess due to inherent non-linearities and dependencies. On the other hand, standard gradient flow is a linear method with well-known regularising properties when stopped early. By an explicit non-standard error decomposition we are able to bound the prediction error for conjugate gradient iterates by a corresponding prediction error of gradient flow at transformed iteration indices. This way, the risk along the entire regularisation path of conjugate gradient iterations can be compared to that for regularisation paths of standard linear methods like gradient flow and ridge regression. In particular, the oracle conjugate gradient iterate shares the optimality properties of the gradient flow and ridge regression oracles up to a constant factor. Numerical examples show the similarity of the regularisation paths in practice.