PulseAugur
中
实时 11:31:59
English(EN) Non-asymptotic estimates of the minimal risk in statistical learning

新的统计学习界限提供高效风险检测

作者 PulseAugur 编辑部 · [1 个来源] ·

本文在统计学习的经验风险原理（ERP）中引入了新的误差概率集中不等式。这些不等式为最小风险建立了非渐近高置信度的下界和上界，将经验风险函数的传统有界性条件放宽到高斯或指数可积性。下界的置信度独立于训练参数和输入维度，能够有效检测学习机器的缺陷。当样本量显著超过Orlicz度量下参数集的盒维数时，上界的置信度很高。 AI

影响 为更鲁棒的统计学习模型提供了理论基础，可能提高AI系统的可靠性。

排序理由 学术论文发表在arXiv上，详细介绍了统计学习的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新的统计学习界限提供高效风险检测

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Sen Yang ·

    Non-asymptotic estimates of the minimal risk in statistical learning

    In this paper we prove some concentration inequalities for two types of error probabilities in the Empirical Risk Principle (ERP) in statistical learning, which provide a lower bound and an upper bound for the minimal risk (in terms of the minimal empirical risk) with non-asympto…

相关实体

相关话题