PulseAugur
中
实时 09:40:45
English(EN) Fixed-Gaussian Spectral Algorithms: Minimax Optimal Rates for Misspecified Learning and Transfer

新的高斯谱算法在欠拟合学习中达到最优速率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了固定带宽高斯核谱算法，即使在真实回归函数欠拟合的情况下，也能在非参数回归中达到最小最大最优收敛速率。由于高斯核的无限平滑性，这些算法对模型欠拟合表现出鲁棒性，允许任何谱算法在正则化参数呈指数衰减时达到最优速率。该工作还将这些算法扩展到概念漂移下的鲁棒和自适应迁移学习，推导出最优收敛速率（最多对数因子），并分析了概念漂移幅度和样本大小对泛化误差的影响。 AI

影响 为机器学习算法提供了理论进展，有可能提高鲁棒性和迁移学习能力。

排序理由 详细介绍新算法和理论结果的学术论文。[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 →

新的高斯谱算法在欠拟合学习中达到最优速率

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Haotian Lin, Matthew Reimherr ·

    Fixed-Gaussian Spectral Algorithms: Minimax Optimal Rates for Misspecified Learning and Transfer

    arXiv:2501.10870v2 Announce Type: replace Abstract: The principal objective of this work is twofold within nonparametric regression settings: (1) to establish the minimax optimal convergence rates for fixed-bandwidth Gaussian kernel spectral algorithms when the true regression fu…

相关实体

相关话题