与单个 CV 折叠相比，重复 CV 没有缺点。如果有的话，重复的 CV 应该会降低我们估计的方差。

Arlot & Celisse (2010) A survey of cross-validation procedures for model selection中可以找到关于交叉验证程序的优秀且被高度引用的概述。这篇论文确实有点长（毕竟这是一个调查），但即使阅读最后一节“结论：哪个问题的交叉验证方法？ ”也是非常有启发性的。它讨论了没有单一的 CV 程序如何普遍更好，但我们应该关注特定的设置（例如变量选择与在两个学习程序中选择最好的）。

关于劣势的问题，我认为需要细化。

与k-fold CV相比的劣势？对于大样本，这是计算时间（如您所述）。对于小样本，重复 k 倍 CV 没有明显的劣势。

与自举相比的缺点？对于小样本，自举可以更好地在模型之间进行选择，因为它会发现重要变量被丢弃的问题。在较大的样本中，由于过度拟合，自举可能会出现问题。本文着眼于自举和重复 10 倍 CV 之间的偏差和方差，并指出与自举相比，重复 10 倍 CV 重采样的低方差让他们感到惊讶。