基于图混合依赖的在线到 PAC 一般化界限
机器学习
2024-10-14 v1 机器学习
摘要
传统的统计学习中的一般化结果要求训练数据集由独立抽样的示例组成。近期大量努力旨在放宽这种独立性假设，已考虑纯粹的时序（混合）依赖，或图依赖，其中非相邻顶点对应于独立随机变量。这两种方法各有局限性，前者需要时间顺序结构，后者缺乏量化相互依赖强度的方法。本文通过提出一种依赖随图距离衰减的框架来弥合这两条工作轨迹。我们利用在线到 PAC 框架推导了一般化界限，通过推导浓度结果并引入包含图结构的在线学习框架。 resulting high-probability generalization guarantees depend on both the mixing rate and the graph's chromatic number。
引用
@article{arxiv.2410.08977,
title = {Online-to-PAC generalization bounds under graph-mixing dependencies},
author = {Baptiste Abélès and Eugenio Clerico and Gergely Neu},
journal= {arXiv preprint arXiv:2410.08977},
year = {2024}
}
备注
13 pages (10 main + 3 supplementary material). All authors contributed equally