一致凸替代损失预测维数下界的统一
机器学习
2021-02-17 v1
摘要
给定一个预测任务,理解何时能够或不能设计一致凸替代损失(尤其是低维的),是机器学习研究中一个重要且活跃的领域。该预测任务可给定为目标损失(如分类与结构化预测),或仅作为数据的(条件)统计量(如风险度量估计)。这两种情形通常涉及不同的替代损失设计与分析技术。我们利用性质引发(property elicitation)工具统一这些设定,并给出预测维数的一般下界。我们的下界在离散预测情形下收紧了已有结果,表明先前的基于校准的下界可在很大程度上由性质引发恢复。对于连续估计,我们的下界解决了一个关于估计风险与不确定性度量的开放问题。
引用
@article{arxiv.2102.08218,
title = {Unifying Lower Bounds on Prediction Dimension of Consistent Convex Surrogates},
author = {Jessie Finocchiaro and Rafael Frongillo and Bo Waggoner},
journal= {arXiv preprint arXiv:2102.08218},
year = {2021}
}