Infinite-Dimensional Spherical Kernel ridge Regression
无穷维球面核岭回归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：摘要聚焦球面核岭回归的统计方法与收敛性理论，未涉及所给因果推断、面板、时间序列、金融等细分领域的实质内容，故不选择任何细分方向。
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…
无穷维球面核岭回归
- 研究问题
- 摘要称，如何在有限维或无穷维球面上直接建模非线性响应，避免传统切空间回归把响应提升到切空间而破坏球面内在距离的问题。
- 方法与思路
- 作者提出内在方法：以球面上的截距 o 与线性预测函数 f 建模条件均值，把估计转化为函数空间中的线性预测问题，并使用球面几何度量而非欧氏距离；借助向量值再生核希尔伯特空间理论与表示定理，将无穷维估计化为有限维问题，并给出基于 BFGS 的估计算法。
- 材料陈述的贡献
- 摘要称该框架给出内在的球面回归建模方式，通过表示定理实现可处理的有限维估计，建立收敛速度并分析估计量的有限样本行为，最后应用于密度回归，且提供 R 实现。
- 阅读关注点
- 阅读全文时应核对：球面几何度量与核的具体构造、表示定理的适用条件与识别假设、收敛速度的假设与证明、有限样本分析的形式，以及密度回归应用的设定与实现细节。
- 阅读边界
- 仅凭摘要无法判断假设是否成立、定理证明是否完整、数值表现如何，也未说明与切空间方法的实证比较；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 introduce a novel regression framework designed to model non-linear responses situated on a sphere $\mathbb{S}$ of finite or infinite dimension. Unlike traditional tangent-space regressions, which lift responses to a tangent space $T_o \mathbb{S}$ and thereby violate intrinsic spherical distances, our proposed method employs an intrinsic approach. We model the conditional mean through an intercept $o \in \mathbb{S}$ and a linear predictor function $f: \mathfrak{X} \to T_o \mathbb{S}$. This formulation transforms the estimation problem into finding a linear predictor within a function space, but utilizing a metric defined by spherical geometry rather than standard Euclidean distance. Leveraging vector-valued reproducing kernel Hilbert space theory, our approach reduces the infinite-dimensional estimation challenge to a manageable finite-dimensional problem via the representer theorem, leading to an efficient BFGS-based estimation algorithm. We establish convergence rates and analyze the finite-sample behavior of our estimator, concluding with a practical application to density regression. The full implementation is available in R.