聚合专家错误的尖锐上界

我们重访聚合来自条件独立专家的二元建议的经典问题，亦称 Naive Bayes 设置。我们的关注对象是最优决策规则的错误概率。在对称错误（灵敏度等于特异度）的情况下，已知对最优错误概率的较紧的上界。在一般的非对称情况下，我们尚不了解该量的任何非平凡估计。我们的贡献在于给出最优错误概率在一般情况下的尖锐上界和下界，这些结果不仅恢复并加强了对称特殊情况下已知的最佳结果。由于这等价于估计两个乘积分布之间的总变差距离，我们的研究结果也对这一重要且具有挑战性的问题具有意义。