高斯边缘分布下半空间的不可知恰当学习
机器学习
2021-02-11 v1 数据结构与算法
统计理论
机器学习
统计理论
摘要
我们研究在高斯分布下不可知地学习半空间的问题。我们的主要结果是针对该问题的{\em 首个恰当}学习算法，其样本复杂度和计算复杂度在性质上与该问题已知最佳的不恰当不可知学习器相匹配。基于这一结果，我们还获得了用于不可知地学习齐次半空间的首个恰当多项式时间近似方案（PTAS）。我们的技术自然推广到针对其他非线性激活函数的不可知线性模型学习，特别地给出了用于 ReLU 回归的首个恰当不可知算法。
引用
@article{arxiv.2102.05629,
title = {Agnostic Proper Learning of Halfspaces under Gaussian Marginals},
author = {Ilias Diakonikolas and Daniel M. Kane and Vasilis Kontonis and Christos Tzamos and Nikos Zarifis},
journal= {arXiv preprint arXiv:2102.05629},
year = {2021}
}