源与容量条件下核分类的误差标度律
机器学习
2023-09-07 v3 机器学习
摘要
我们考虑核分类问题。尽管某些分类器预测误差随样本数衰减率的最坏情况界已知，但它们往往不能准确描述真实数据集的学习曲线。在这项工作中，我们考虑满足标准源与容量条件的重要数据集类别，如我们通过数值所示，其包含若干真实数据集。在高斯设计下，我们推导了误分类（预测）误差作为源与容量系数的衰减率。我们对两种标准核分类设置——即间隔最大化的支持向量机（SVM）与岭分类——进行了推导并对比了两种方法。我们发现我们的速率紧密描述了该类数据集的学习曲线，并且在真实数据上也被观察到。我们的结果也可视为对核分类标度律指数的显式预测，该预测在某些真实数据集上是准确的。
引用
@article{arxiv.2201.12655,
title = {Error Scaling Laws for Kernel Classification under Source and Capacity Conditions},
author = {Hugo Cui and Bruno Loureiro and Florent Krzakala and Lenka Zdeborová},
journal= {arXiv preprint arXiv:2201.12655},
year = {2023}
}