Hochdimensionale Asymptotik, Optimalität und Schätzung der Hyperkovarianz für Meta-Lernen mit verallgemeinerter Ridge-Regression
In dieser Arbeit analysieren wir Meta-Lernen im Rahmen hochdimensionaler multivariater linearer Modelle mit Zufallseffekten und untersuchen Vorhersagen basierend auf verallgemeinerter Ridge-Regression. Wir charakterisieren das asymptotische Verhalten des Vorhersagerisikos für neue Aufgaben, zeigen die Optimalität der Wahl der Gewichtsmatrix und schlagen effiziente Schätzer für die Hyperkovarianzmatrix vor.