随机特征学习的泛化性质

我们在统计学习框架下研究了带随机特征的岭回归的泛化性质。我们首次表明，$O(1/\sqrt{n})$的学习界可以通过仅$O(\sqrt{n}\log n)$个随机特征实现，而非先前结果建议的$O({n})$。此外，我们证明了更快的学习速率，并表明它们可能需要更多随机特征，除非它们是按照可能依赖于问题的分布进行采样。我们的结果阐明了大规模核化学习中的统计-计算权衡，显示了随机特征在保持最优泛化性质的同时降低计算复杂度的潜在有效性。