훈련 오차(Training error)는 우리가 훈련 세트에서 관찰할 수 있는 것이며, 테스트 오차(test error)는 우리가 실제로 관심을 갖는 양입니다. 우리는 결정론적인 $(d+1)$ 차원 단일 스파이크 모델(single-spike model)에서 제곱 오차(squared-error)를 사용하는 선형 회귀(linear regression)를 연구합니다. 각각의 정형화된 훈련 벡터는 $\gamma>1$인 진폭 $\sqrt{\gamma}$를 가진 동일한 정보성 스파이크 좌표를 가집니다. 나머지 방향은 방해 요소(nuisance)이며, 서로 다른 훈련 벡터의 방해 요소 성분들은 모두 동일한 노름(norm)을 가지며 상호 직교(mutually orthogonal)합니다. 훈련 레이블(training labels)은 모두 $1$입니다. 새로운 테스트 포인트는 $\vec{x}{\rm test} \sim \mathcal{N}(\vec{0},\operatorname{diag}(\gamma,1,\ldots,1))$에서 추출되며, 노이즈가 없는 테스트 레이블은 정규화된 스파이크 좌표 $x{\rm test}[1]/\sqrt{\gamma}$입니다. 우리는 훈련 벡터의 스팬(span) 내에 있는 선형 예측기(linear predictors)에 집중하며, 이는 제로 초기화된 선형 경사 하강법(linear gradient methods)에 의해 자연스럽게 도달되는 클래스입니다. 우리는 일반화가 잘 되는 모든 스팬 예측기가 제로 예측기(zero predictor)보다 훈련 데이터에 extit{더 나쁘게}(worse) 적합되어야만 하는 다양한 훈련 세트 크기 $n$의 범위를 보여줍니다. 우리는 이 영역을 extit{양성적 미적합(benign misfitting)}, 즉 제4사분면이라고 부릅니다. 최적의 스팬 예측기는 $n \gg d/\gamma^2$일 때 일반화를 시작하는 반면, 보간(interpolation)은 더 늦은 임계값인 $n \gg d/\gamma$가 될 때까지 일반화되지 않습니다. $d/\gamma^2 \ll n \ll d/\gamma$인 구간에서, 선형 스팬 내의 유용한 예측은 보간을 넘어섭니다. 즉, 훈련 포인트에 대한 예측이 레이블을 초과(overshoot)하게 됩니다. 우리는 큰 상수 학습률(learning rate)을 가진 1-패스 확률적 경사 하강법(one-pass stochastic gradient descent, SGD)이 이 구간 전체에서 작은 테스트 오차에 도달하며, 로그 인자(logarithmic factor)를 제외하면 최적의 스팬 예측기와 일치함을 보여줍니다. 또한 우리는 (이름에 포함된 하강(descent) 전제에도 불구하고) 이것이 실제로 extit{큰} 경험적 훈련 오차를 가진다는 것을 직접 확인합니다. 마지막으로, 훈련 미적합(training misfit)의 원인이 되는 피할 수 없는 방해 요소 성분이 예측기의 적대적 민감도(adversarial sensitivity) 또한 제어한다는 것을 보여줍니다.