分治经验风险最小化的理论分析：超越平方损失与 RKHS
机器学习
2020-04-22 v3 机器学习
摘要
基于分治的分布式学习在再生核希尔伯特空间（RKHS）中使用最小平方损失的理论分析近来已在学习的理论框架内得到探索。然而，针对一般损失函数与假设空间的学习理论研究仍然有限。为填补这一空白，我们研究一般损失函数与假设空间下分布式经验风险最小化（ERM）的风险表现。主要贡献有两点。第一，在关于假设空间以及损失函数的光滑性、Lipschitz 连续性、强凸性的若干基本假设下，推导出两个紧风险界。第二，我们进一步给出了不依赖强凸性限制的更一般分布式 ERM 风险界。
引用
@article{arxiv.2003.03882,
title = {Theoretical Analysis of Divide-and-Conquer ERM: Beyond Square Loss and RKHS},
author = {Yong Liu and Lizhong Ding and Weiping Wang},
journal= {arXiv preprint arXiv:2003.03882},
year = {2020}
}