研究人员开发了一种新颖的递归框架，用于估计非光滑回归问题中的泛化误差，特别解决了非可微数据拟合损失带来的挑战。这种新方法适用于 Chambolle--Pock 算法和其他对偶分裂技术等算法。该方法通过将样本内拟合值与过去对偶迭代的加权组合进行调整来估计风险，构建了不需要设计协方差知识的数据驱动校正。 AI
影响 这项研究可能导致对具有非可微组件的机器学习模型的风险估计更加准确。
排序理由 该集群包含一篇详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
