Benign overfitting beyond prediction: The ordinary least squares interpolator
超越预测的良性过拟合：普通最小二乘插值估计量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：摘要主要研究通用超参数化线性模型理论，虽提及因果应用，但不足以归入给定的具体领域细分。
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…
超越预测的良性过拟合：普通最小二乘插值估计量
- 研究问题
- 当线性模型的参数数量超过样本信息维度时，最小范数 OLS 插值估计量具有什么参数估计与统计推断性质？
- 方法与思路
- 作者为最小二范数 OLS 插值解推导代数公式，并在 Gauss–Markov 模型与同方差设定下分析最优性和方差估计。
- 材料陈述的贡献
- 摘要称，建立了超参数化版本的留多观测公式、遗漏变量偏误公式和 FWL 定理，并扩展 Gauss–Markov 分析。
- 阅读关注点
- 应核对超参数化下哪些参数或线性组合可估、最优性的比较范围，以及方差估计依赖的秩条件与误差假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体定理条件，也不能据此认定一般因果参数可识别。
原文摘要
Recent advances in deep learning have highlighted the phenomenon of benign overfitting in overparameterized statistical models, sparking significant interest in understanding its foundations. Owing to its simplicity and practical relevance, the ordinary least squares (OLS) interpolator has become a key object of study for gaining theoretical insight into this phenomenon. While the properties of OLS are well understood in classical underparameterized settings, its behavior in the overparameterized regime -- unlike that of ridge regression or the lasso -- remains comparatively less explored. We contribute to this growing literature by deriving new algebraic and statistical results for the minimum $\ell_2$-norm OLS interpolator. In contrast to much of the existing work, which focuses on prediction risk, we center our analysis on parameter estimation and inference, which are fundamental for many statistics and causal inference applications. Specifically, we establish overparameterized analogues of (i) the leave-$k$-out formulas, (ii) the omitted variable bias formula, and (iii) the Frisch-Waugh-Lovell theorem. Under the Gauss-Markov model, we further extend the Gauss-Markov theorem and analyze variance estimation under homoskedasticity in the overparameterized setting. Collectively, these results provide a systematic framework for studying parameter estimation and inference in overparameterized linear models, offering a novel perspective on benign overfitting beyond its implications for prediction.