新论文为 signature kernel 岭回归给出有限样本与一致性保证
chaumian · x · 2026-11-16
arXiv 新论文(Christian Bayer、Jakob Kellermann)研究 signature kernel 岭回归的统计性质。路径签名是学习路径空间泛函的标准工具,已有普遍逼近结果保证其表达能力,但未回答统计问题:识别合适的签名泛函究竟需要多少数据。论文在核岭回归框架下,目标为条件期望 E[Y|X],在不同矩假设下给出有限样本保证与一致性结果,并辅以数值实验说明理论。涉及 rough paths、泛函数据分析与核方法。
「研究」频道最新
- MMFlash 论文:视觉语言模型推测解码最高无损加速 3.58 倍 — rsasaki0109 · 2026-11-16
- 谁来评判 LLM 评审?新论文提出多语言探针检验评测指标 — kalyan_kpl · 2026-11-16
- VibePrevisBench:242 项任务评测编码智能体的 Blender 4D 场景生成 — Kling-Keye · 2026-11-16
- V-JEPA-LM:反事实监督让语言模型读懂视频动态,4B 级准确率 61.1→72.1 — Keuntae Kim · 2026-11-16
- 73 项水下图像质量指标对照人类偏好:没有一个靠谱,最好 kappa 仅 0.23 — DelhiTechnologicalUniversity · 2026-11-16
- Claude 自述「被指出错误瞬间」的意识体验,repligate 提议验证 — Sauers_ · 2026-11-16