Generalization Error Curves for Analytic Spectral Algorithms under Power-law Decay
幂律衰减下解析谱算法的泛化误差曲线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：摘要讨论核回归与谱算法的泛化误差理论，属于统计学习理论，与所列微观、宏观、金融等计量领域细分无直接文本对应，故不选择。
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…
幂律衰减下解析谱算法的泛化误差曲线
- 研究问题
- 摘要称，本文关注核回归中某些核方法的泛化误差曲线，即在给定源条件、噪声水平与正则化参数选择下确定泛化误差的精确阶，而非仅给出极小极大速率。
- 方法与思路
- 作者提出在温和假设下，对核梯度下降法以及一大类解析谱算法的泛化误差曲线给出完整刻画，并引入称为解析泛函论证的新技术工具。
- 材料陈述的贡献
- 摘要称结果可锐化核插值的近不相容性、澄清更高资格核回归算法的饱和效应，并借助神经正切核理论增进对宽神经网络训练泛化行为的理解。
- 阅读关注点
- 阅读全文时应核对：温和假设的具体内容、源条件与噪声水平的设定、误差阶的精确含义、解析泛函论证的适用范围，以及结论向神经正切核与宽网络推广的条件。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审验证；摘要未说明具体假设、常数、证明细节与数值实验，不能据此判断结论的一般性或实际表现。
原文摘要
The generalization error curve of certain kernel regression method aims at determining the exact order of generalization error with various source condition, noise level and choice of the regularization parameter rather than the minimax rate. In this work, under mild assumptions, we rigorously provide a full characterization of the generalization error curves of the kernel gradient descent method (and a large class of analytic spectral algorithms) in kernel regression. Consequently, we could sharpen the near inconsistency of kernel interpolation and clarify the saturation effects of kernel regression algorithms with higher qualification, etc. Thanks to the neural tangent kernel theory, these results greatly improve our understanding of the generalization behavior of training the wide neural networks. A novel technical contribution, the analytic functional argument, might be of independent interest.