arXiv · cs.AI· Dhruva Karkada, Joseph Turnbull, Yuxi Liu, James B. Simon·· 2 天前
研究提出仅凭原始数据统计量预测核回归学习曲线的HEA框架
Predicting kernel regression learning curves from only raw data statistics
arXiv:2510.14878v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Dhruva Karkada, Joseph Turnbull, Yuxi Liu, James B. Simon
研究任务与主要进展
基于论文摘要，作者提出Hermite eigenstructure ansatz（HEA），仅利用经验数据协方差矩阵和目标函数的经验多项式分解，预测核回归在不同样本量下的测试风险学习曲线。作者证明HEA适用于高斯数据，并报告在CIFAR-5m、SVHN和ImageNet等真实图像数据上具有较好的经验效果；此外，在特征学习设定下观察到MLP按HEA预测的顺序学习Hermite多项式。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org