关于扩张定理及其与机器学习中普适一致性联系的简短注记
机器学习
2016-04-18 v1 机器学习
摘要
统计机器学习在现代统计学和计算机科学中扮演重要角色。统计机器学习的一个主要目标是提供普适一致算法，即估计量以概率或某种更强意义收敛于Bayes风险或Bayes决策函数。基于在再生核希尔伯特空间(RKHS)上最小化正则化风险的核方法属于这些统计机器学习方法。通常未知何种核对特定数据集或未知概率测度产生最优结果。因此提出了各种核学习方法来以数据自适应方式选择核从而也选择其RKHS。然而，许多实践者经常使用经典的高斯RBF核或某些Sobolev核并取得良好成功。本简短注记的目标是为此经验事实提供一种可能的理论解释。
引用
@article{arxiv.1604.04505,
title = {A short note on extension theorems and their connection to universal consistency in machine learning},
author = {Andreas Christmann and Florian Dumpert and Dao-Hong Xiang},
journal= {arXiv preprint arXiv:1604.04505},
year = {2016}
}
备注
14 pages