各向异性高斯 SVM 的最优学习
机器学习
2018-10-05 v1 机器学习
摘要
本文研究使用各向异性高斯 RBF 核的 SVM 的非参数回归问题。在目标函数居于某些各向异性 Besov 空间的假设下，我们建立了几乎最优的学习率，更确切地说，是由有效光滑度给出的、至多相差某对数因子的最优学习率。考虑到有效光滑度，我们的几乎最优学习率快于将底层 RKHS 取为某些各向异性 Sobolev 空间时所获者。此外，若目标函数仅依赖于较少维度，则可进一步获得更快的学习率。
引用
@article{arxiv.1810.02321,
title = {Optimal Learning with Anisotropic Gaussian SVMs},
author = {Hanyuan Hang and Ingo Steinwart},
journal= {arXiv preprint arXiv:1810.02321},
year = {2018}
}