关于基于核的成对学习的鲁棒性
机器学习
2020-10-30 v1 机器学习
摘要
我们表明，关于基于核的成对学习的统计鲁棒性的许多结果可以在基本不对输入和输出空间作假设的情况下推导出来。特别地，既不需要给定 X = x 时 Y 的条件分布的矩条件，也不需要输出空间的有界性。我们获得了影响函数的存在性与有界性的结果，并证明了基于核的估计量的定性鲁棒性。本文推广了 Christmann 与 Zhou (2016) 的结果，通过允许预测函数取两个参数，从而可应用于如排序等多种情形。
引用
@article{arxiv.2010.15527,
title = {On the robustness of kernel-based pairwise learning},
author = {Patrick Gensler and Andreas Christmann},
journal= {arXiv preprint arXiv:2010.15527},
year = {2020}
}
备注
34 pages