新研究分析用于域自适应的Nyström子采样

本文深入探讨了在协变量偏移下，当目标函数不在再生核希尔伯特空间内（即误设情况）时，Nyström子采样应用于无监督域自适应的收敛性质。研究提出了一种结合Tikhonov正则化和Nyström投影的方法，以建立高概率超额风险界。此外，该研究还处理了Radon-Nikodym导数未知且必须被近似的情况，详细说明了实现Oracle情况收敛速率所需的样本量。 AI

影响 该研究有助于加深对域自适应技术的理论理解，可能提高模型在不同数据分布下的鲁棒性。

排序理由 该条目是一篇在arXiv上发表的学术论文，详细介绍了机器学习技术的理论收敛性分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• Covariate Shift Adaptation for Discriminative 3D Pose Estimation
• DagsHub
• Gotit.pub
• Hugging Face
• Nyström subsampling
• Radon-Nikodym derivative
• reproducing kernel Hilbert space
• ScienceCast
• Tikhonov regularization

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →