重尾数据上经验风险最小化的渐近分析
Get the story
2026年10月7日，arXiv Statistics Machine Learning 发布一手论文，研究逐元素 i.i.d. 对称 α-稳定重尾数据下线性回归经验风险最小化问题，给出预测性能的精确渐近刻画。研究引入描述每个系数对应随机有效问题的功能序参量，用 replica 方法在样本量与特征维度按固定比例发散的比例高维极限下完整表征泛化误差，并建立重尾普适律、典型误差与预测可靠性的标度律及 Bayes 最优预测误差。论文称方法还适用于其他具有持续局部异质性的系统。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning逐元素 i.i.d. 重尾数据上经验风险最小化的渐近分析
论文针对逐元素 i.i.d. 对称 α-稳定重尾数据下线性回归经验风险最小化问题，给出预测性能的精确渐近刻画。研究引入描述每个系数对应随机有效问题的功能序参量，用 replica 方法在样本量与特征维度按固定比例发散的比例高维极限下完整表征泛化误差，并建立重尾普适律、典型误差与预测可靠性的标度律及 Bayes 最优预测误差。方法还适用于其他具有持续局部异质性的系统。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.