The Breakdown of Gaussian Universality in Classification of High-dimensional Linear Factor Mixtures
高维线性因子混合分类中高斯普适性的失效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：摘要研究通用机器学习分类理论，未涉及宏观共同因子、金融因子或所列其他专门计量方向。
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
高维线性因子混合分类中高斯普适性的失效
- 研究问题
- 在样本量与特征维度同阶的混合数据分类中，学习表现是否仅由类别均值和协方差决定，何时会依赖更完整的分布特征？
- 方法与思路
- 作者研究推广高斯混合的线性因子混合模型，对经验风险最小化的高维分类表现作精确刻画，并讨论高斯普适性条件。
- 材料陈述的贡献
- 摘要称，该设定下高斯普适性可能失效，渐近学习表现会依赖均值与协方差以外的分布信息，并由此讨论损失函数选择。
- 阅读关注点
- 应核对高维极限的设定、因子分布与损失函数条件、学习表现的具体指标，以及普适性成立和失效的边界。
- 阅读边界
- 这是预印本，不能据此声称已同行评审或期刊接收。摘要未提供精确公式或具体条件，不能将其结论推广到所有非高斯分类数据。
原文摘要
The assumption of Gaussian or Gaussian mixture data has been extensively exploited in a long series of precise performance analyses of machine learning (ML) methods, on large datasets having comparably numerous samples and features. To relax this restrictive assumption, subsequent efforts have been devoted to establish "Gaussian equivalent principles" by studying scenarios of Gaussian universality where the asymptotic performance of ML methods on non-Gaussian data remains unchanged when replaced with Gaussian data having the same mean and covariance. Beyond the realm of Gaussian universality, there are few exact results on how the data distribution affects the learning performance. In this article, we provide a precise high-dimensional characterization of empirical risk minimization, for classification under a general mixture data setting of linear factor models that extends Gaussian mixtures. The Gaussian universality is shown to break down under this setting, in the sense that the asymptotic learning performance depends on the data distribution beyond the class means and covariances. To clarify the limitations of Gaussian universality in the classification of mixture data and to understand the impact of its breakdown, we specify conditions for Gaussian universality and discuss their implications for the choice of loss function.