基于线性化深度分配的自主认证分类
机器学习
2022-02-21 v2 机器学习
最优化与控制
摘要
我们提出了一类新颖的深度随机预测器，用于在 PAC-Bayes 风险认证范式下对图上的度量数据进行分类。分类器被实现为具有随机初始条件的线性参数化深度分配流。基于近期的 PAC-Bayes 文献与数据依赖先验，该方法能够 (i) 将风险界作为训练目标以学习假设空间上的后验分布，以及 (ii) 比相关工作更高效地计算随机分类器的紧致样本外风险证书。与经验测试集误差的比较说明了这种自主认证分类方法的性能与实用性。
引用
@article{arxiv.2201.11162,
title = {Self-Certifying Classification by Linearized Deep Assignment},
author = {Bastian Boll and Alexander Zeilmann and Stefania Petra and Christoph Schnörr},
journal= {arXiv preprint arXiv:2201.11162},
year = {2022}
}