计算模式识别的样本复杂度
机器学习
2016-06-27 v2 计算复杂性
摘要
在模式识别问题的统计设置下，近似未知标记函数所需的示例数量是目标学习类的 VC 维的线性函数。在本工作中，我们考虑如果限制只关注可计算的模式识别方法，假设未知的标记函数也是可计算的，是否存在此类界限。我们发现，在这种情况下，对于可计算方法来近似标记函数所需的示例数量不仅不是线性的，而是比目标类的 VC 维中任何可计算函数都更快地增长。我们没有对预测器或目标函数施加时间或空间限制；唯一我们考虑的资源是训练示例。模式识别任务被认为与另一个学习问题——数据压缩——联系在一起。数据压缩的不可实现结果允许我们估计模式识别的样本复杂度。
引用
@article{arxiv.cs/0502074,
title = {On sample complexity for computational pattern recognition},
author = {Daniil Ryabko},
journal= {arXiv preprint arXiv:cs/0502074},
year = {2016}
}