通过镜像平均进行学习

给定一组有限的估计量或分类器，我们研究模型选择型聚合问题，即构造一个新的估计量或分类器（称为聚合量），其在给定风险准则下几乎与其中最优者一样好。我们通过一个简单递归过程定义聚合量，该过程求解一个与原始非线性问题相关的辅助随机线性规划问题，并构成镜像平均算法的一个特例。我们在一些一般假设下证明聚合量满足尖锐的预言不等式。结果被应用于包括回归、分类和密度估计在内的若干问题。