实值学习器的样本压缩
机器学习
2018-05-23 v1 机器学习
摘要
我们给出了 Moran 和 Yehudayoff (2016) 中学习器到压缩方案转换的一种算法高效版本。在将这一技术推广到实值假设时,我们还得到了一个高效的回归到有限样本压缩的转换器。据我们所知,这是首个保证一致近似重构的通用压缩回归结果(无论效率或有限性)。在此过程中,我们开发了一种由抽象回归器构造弱实值学习器的通用过程;这或许具有独立意义。特别地,该结果对 H. Simon (1997) 的一个开放问题提供了新的见解。我们展示了对两个回归问题的应用:学习 Lipschitz 和有界变差函数。
引用
@article{arxiv.1805.08254,
title = {Sample Compression for Real-Valued Learners},
author = {Steve Hanneke and Aryeh Kontorovich and Menachem Sadigurschi},
journal= {arXiv preprint arXiv:1805.08254},
year = {2018}
}