最近邻规则的在线一致性
机器学习
2024-11-01 v1 机器学习
摘要
在可实现在线设定中，学习器需要对一系列实例进行预测，每次预测后正确答案会被揭示。如果一种学习规则的错误率最终趋于零，则称其具有在线一致性。最近邻规则（Fix 和 Hodges，1951）是一种基本的预测策略，但此前仅在强统计或几何假设下被证明具有一致性：即实例需满足独立同分布，或标签类别需良好分离。我们在温和假设下证明了该规则在倍增度量空间中对所有可测函数具有在线一致性，该假设要求实例由一个关于有限上倍增测度一致绝对连续的过程生成。
引用
@article{arxiv.2410.23644,
title = {Online Consistency of the Nearest Neighbor Rule},
author = {Sanjoy Dasgupta and Geelon So},
journal= {arXiv preprint arXiv:2410.23644},
year = {2024}
}