排序作为特权信息

我们提出通过直接最小化某些假设空间的方差直径来加速模式识别任务的收敛速度，这些方差直径是快速收敛结果中的关键量。我们表明，方差直径可以通过基于一种新的序度量将假设空间划分为度量球来控制。该序度量可作为一个有序回归问题来最小化，从而导出一个 LUPI（Learning Using Privileged Information）应用，其中我们将特权信息视为某种期望的排序，并根据该排序通过经验限制某个更大的假设空间来构造一个收敛更快的假设空间。我们给出了该方法的风险分析。我们讨论了模型选择的困难，并给出了一种用于选择多个模型参数的创新技术。最后，我们提供了一些数据实验。