Ahpatron：一种具有更紧错误界的新型预算在线核学习机
机器学习
2023-12-13 v1 机器学习
摘要
在本文中，我们研究了预算限制下在线核学习的错误界。我们提出了一种新的预算在线核学习模型，称为 Ahpatron，它显著改进了先前工作的错误界，并解决了 Dekel、Shalev-Shwartz 和 Singer (2005) 提出的开放性问题。我们首先提出了 Perceptron 的一种激进变体，命名为 AVP，这是一种没有预算限制的模型，使用主动更新规则。然后我们设计了一种新的预算维护机制，该机制移除一半的样本，并将被移除的样本投影到由剩余样本张成的假设空间中。Ahpatron 采用上述机制来近似 AVP。理论分析证明 Ahpatron 具有更紧的错误界，实验结果表明 Ahpatron 在相同或更小预算下优于 SOTA 算法。
关键词
引用
@article{arxiv.2312.07032,
title = {Ahpatron: A New Budgeted Online Kernel Learning Machine with Tighter Mistake Bound},
author = {Yun Liao and Junfan Li and Shizhong Liao and Qinghua Hu and Jianwu Dang},
journal= {arXiv preprint arXiv:2312.07032},
year = {2023}
}