具有线性、多边形、二次及锥状侧边知识的学习的泛化界
机器学习
2014-10-08 v3 机器学习
摘要
在本文中，我们考虑了一种监督学习设定，其中提供了关于未标记样本标签的侧边知识。侧边知识具有缩小假设空间的作用，从而导出更紧的泛化界，进而可能获得更好的泛化性能。我们考虑了几种类型的侧边知识：第一种导致对假设空间的线性与多边形约束，第二种导致二次约束，最后一种导致锥状约束。我们展示了不同类型的领域知识如何直接导出此类侧边知识。我们证明了针对二次与锥状侧边知识的假设空间复杂度测度的界，并表明这些界在二次情形下于特定意义上是紧的。
引用
@article{arxiv.1405.7764,
title = {Generalization Bounds for Learning with Linear, Polygonal, Quadratic and Conic Side Knowledge},
author = {Theja Tulabandhula and Cynthia Rudin},
journal= {arXiv preprint arXiv:1405.7764},
year = {2014}
}
备注
37 pages, 3 figures, a shorter version appeared in ISAIM 2014 (new additions include a reference change and a new figure)