经验风险最小化算法性能的更紧下界

Guillaume Lecué; Shahar Mendelson

doi:10.3150/09-BEJ225

经验风险最小化算法性能的更紧下界

统计理论 2011-02-25 v1 统计理论

作者: Guillaume Lecué , Shahar Mendelson

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

我们提出一个基于多维中心极限定理和一致中心极限定理的论证，证明在目标函数 $T$ 与学习类 $F$ 之间满足某些几何假设的条件下，经验风险最小化算法的超额风险下界为 $\frac{\mathbb{E}\sup_{q\in Q}G_q}{\sqrt{n}}\delta,$ 其中 $(G_q)_{q\in Q}$ 是与 $Q$ （ $F$ 的一个精心选择的子集）相关联的典型高斯过程， $\delta$ 是控制 $F$ 中一个小球上经验超额风险函数振荡的参数。

关键词

经验风险最小化超额风险下界中心极限定理高斯过程学习理论几何假设

引用

@article{arxiv.1102.4983,
  title  = {Sharper lower bounds on the performance of the empirical risk minimization algorithm},
  author = {Guillaume Lecué and Shahar Mendelson},
  journal= {arXiv preprint arXiv:1102.4983},
  year   = {2011}
}

备注

Published in at http://dx.doi.org/10.3150/09-BEJ225 the Bernoulli (http://isi.cbs.nl/bernoulli/) by the International Statistical Institute/Bernoulli Society (http://isi.cbs.nl/BS/bshome.htm)

经验风险最小化算法性能的更紧下界

摘要

关键词

引用

备注

相关论文