重尾数据下经验风险最小化的渐近分析

Kaito Takanami 等作者发表论文，针对 entry-wise i.i.d. 对称 α-stable 重尾数据下的线性回归经验风险最小化，引入函数型序参量刻画每个系数对应的随机有效问题，并用复本方法完整刻画了样本量与特征维度按固定比例发散的高维极限下的泛化误差。 该分析还建立了重尾普适性定律、典型误差与预测可靠性之间的 scaling law，以及 Bayes 最优预测误差。

AI 根据报道生成 · 8 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。