Minimum Norm Interpolation via The Local Theory of Banach Spaces: The Role of Gaussianity
最小范数插值的局部Banach空间理论：高斯性的作用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：摘要内容属于高维概率、Banach空间几何与最小范数插值的统计理论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，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
最小范数插值的局部Banach空间理论：高斯性的作用
- 研究问题
- 摘要研究各向同性高斯协变量下过参数化线性回归的最小范数插值（MNI），关注当MNI没有闭式解时，如何刻画其收缩真值的偏移与内在方差，并给出ℓ1-MNI的均方误差界。
- 方法与思路
- 作者提出用高维几何与概率工具替代以往常用的凸高斯极小极大定理（CGMT）：在范数处于各向同性位置时给出偏移界，借助Cordero-Erausquin与Ledoux的Talagrand L1-L2不等式变体及Gluskin的经典结果控制ℓ1-MNI的内在方差，并利用Fleury关于对称高斯多面体的工作重新得到MSE界。
- 材料陈述的贡献
- 摘要称，作者在不使用CGMT的情况下重新得到了Wang等（2022）关于ℓ1-MNI的尖锐MSE界；并给出高维几何方面的附带改进，包括P_{n,d}各向同性常数与欧氏球之比的界优于Klartag与Kozma（2009），以及P_{n,d}上的精细加权薄壳估计和Fleury（2012）主定理的初等证明。
- 阅读关注点
- 阅读全文时应核对：偏移界与内在方差界所需的具体假设（如范数各向同性位置、d与n的相对大小）；ℓ1-MNI的MSE界与既有结果在常数和适用范围上的差异；高维几何改进结论的证明是否依赖摘要未说明的额外条件；以及初等证明与Fleury原证明的关系。
- 阅读边界
- 仅依据摘要，无法判断证明细节、常数是否最优、假设是否可放松，也无法核实所引用的既有结果；该文为arXiv预印本，尚未经同行评审或期刊接收，摘要所述改进与重新推导均未经验证。
原文摘要
We study minimum-norm interpolation (MNI) in overparameterized linear regression with isotropic Gaussian covariates, in settings where the MNI has no closed-form formula. Whereas most prior work relied on Gaussian comparison tools such as the convex Gaussian min--max theorem (CGMT), our approach uses tools from high-dimensional geometry and probability. First, when the norm is in isotropic position, we obtain an ``offset'' bound that controls the amount by which the MNI shrinks the ground truth. Second, we show that the ``intrinsic'' variance of the $\ell_1$-MNI is at most $O(\tfrac{1}{n\log(d/n)^2})$, using a variant of Talagrand's $L_1$--$L_2$ inequality due to Cordero-Erausquin and Ledoux [2012], together with a classical result of Gluskin [1988]. We recover the sharp mean-squared error (MSE) bound for the $\ell_1$-MNI obtained by Wang et al. [2022], using the work of Fleury [2012] on the symmetric Gaussian polytope, which is defined via \[ P_{n,d} := \mathrm{conv}\{\pm X_i\}_{i=1}^{d} \text{ where } X_i \overset{\mathrm{i.i.d.}}{\sim} N(0,\mathrm{I}_{n \times n}), \] rather than CGMT. Our methods also imply improvements on previous results in high-dimensional geometry that may be of independent interest. First, we show that with overwhelming probability, the ratio between the isotropic constant of $P_{n,d}$ and that of the Euclidean ball in $\mathbb{R}^n$ is at most $1+O((\log(d/n))^{-2})$, improving a result of Klartag and Kozma [2009]. We also establish a refined weighted thin-shell estimate on $P_{n,d}$, and provide an elementary proof of the main theorem of Fleury [2012].