The phase diagram of kernel interpolation in large dimensions
高维核插值的相图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。
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：摘要属于高维核学习的通用泛化理论，未提供因果、宏观时间序列或金融预测等细分领域的依据。
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
高维核插值的相图
- 研究问题
- 当样本量与维度按幂次关系共同增长时，核插值的偏差、方差和泛化表现如何随目标函数的源条件及增长参数变化？
- 方法与思路
- 作者聚焦单位球面上的内积核，在不同源条件下刻画高维核插值偏差与方差的精确阶，并据此划分参数平面。
- 材料陈述的贡献
- 摘要称得到源条件参数与样本维度增长参数构成的相图，区分核插值达到极小极大最优、次优以及不一致的区域。
- 阅读关注点
- 应核对源条件与函数类的定义、核和观测噪声要求，以及风险度量、极小极大比较基准和各区域边界的推导。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定相图边界和具体速率；单位球面内积核结论不能直接推广至任意核或神经网络，刊本变化未提供。
原文摘要
Summary The generalization ability of kernel interpolation in large dimensions, ie, $ n\asymp d^{\gamma} $ for some $ \gamma \gt 0 $, could be one of the most interesting problems in the recent renaissance of kernel regression, since it may help us understand the so-called benign overfitting phenomenon reported in the neural networks literature. Focusing on the inner product kernel on the unit sphere, we fully characterize the exact order of both the variance and the bias of large-dimensional kernel interpolation under various source conditions $ s\geqslant 0 $. Consequently, we obtain the $ (s,\gamma) $ phase diagram of large-dimensional kernel interpolation, ie, we determine the regions in the $ (s,\gamma) $ plane where the kernel interpolation is minimax optimal, suboptimal and inconsistent.